图像风格迁移是指利用合适的算法学习一种图像的风格,然后将学习到的风格应用到另一种图像上的技术。随着卷积神经网络推动下的突破性进展,该技术被逐步应用于影视制作等各大行业,具有很高的商业和艺术价值。在绘画风格迁移领域,已有的风格迁移算法多是针对西方油画,缺乏其在传统国画上的应用。本文以国画风格的迁移为研究对象,用传统国画代替西方油画作为风格图像,用自然景观照片作为内容图像,旨在通过基于卷积神经网络的快速风格迁移算法,生成出具有国画艺术风格的自然景观图像,同时解决风格化图像的生成质量和速度的问题,主要工作包括:（1）研究了图像大小对风格迁移效果的影响。选择两种不同大小的图像依次对转换网络进行不同次数的训练。实验表明:从视觉上看,相比于大小为256×256的图像训练近10万次后的模型生成的风格化图像,大小为640×400的图像训练近4万次后的模型生成的风格化图像质量要好得多,图像内容更加清晰;从总损失图像上看,大小为256×256的图像在训练近10万次后的总损失依旧高于640×400的图片在迭代近4万次后的总损失。因此后续在对图像转换网络训练时数据集的大小均设为640×400,迭代次数设为4万次。训练次数的不同是因为,图像的缩小会使特征提取不够充分,从而导致总损失的增大,只能通过训练次数的增加来尽可能减小总损失。（2）验证了内容与风格权重比对风格化图像的影响。在3×10-2、1×10-3、1×10-4和5×10-4四种权重比下,对两种不同的国画风格进行训练并生成相应的风格化图像,并从多个角度对结果进行分析。实验表明:每一种风格都有其最合适的权重比。颜色对比较深的风格下确定出的最好权重比5×10-4并不适用于颜色较浅的风格,颜色较浅的风格下确定出的最好权重比为1×10-3;当权重比小于3×10-2时,生成的风格化图像效果明显。（3）提出具有新型编码-解码-编码残差结构的图像转换网络改进。由于传统快速风格迁移算法的转换网络残差块结构不够简洁,存在参数量庞大等问题,影响了其转换的速度。本文通过添加合适的编码—解码—编码结构设计出新的残差块,减少了所含参数,改善了图像转换网络。实验表明:在训练阶段,当迭代近4万次时,改进后的转换网络所需时间相较于改进前减少了35分钟;在生成阶段,改进网络生成图像的时间相较于改进前平均减少了10.4%;网络结构的改变不影响风格化图像的质量。（4）基于连接块添加的国画风格迁移网络损失函数构建。针对用墨淡雅、颜色对比较浅的风格图像迁移效果往往不够明显、轮廓不够清晰等质量问题,在原快速风格迁移网络基础上加入一个连接块,并以此构建出新的损失函数。实验表明:从视觉上看,新生成的图像不仅修复了风格化效果的缺失,而且消除了边界连接处的“叠影”,使得图像效果整体变好,边界连接更加清晰;从显著性检测结果上看,新生成的风格化图像内容更加清晰,结构更加完整连贯;从总损失图像上看,使用新的损失函数对转换网络训练近4万次后,总损失值下降,图像的震荡幅度减小,收敛提前。