随着人工智能的不断进步,深度学习可以训练生成各种场景应用的模型,譬如生物识别、行人检测、人脸识别等,将人工智能与实际应用相结合。而深度学习中识别特定目标最重要的一步就是对物体有用特征的提取。传统的非深度学习方法对图片的图像纹理处理一般采用数学的方法建立的特定模型,因而不具有普适性。深度学习中的神经网络经过训练能够自动提取最有用的特征,不再使用传统的建模方式进行手动切分而由神经网络自动提取,从而得到最优值。图像风格转移就是关于一张内容图和一张风格的特征的提取以及纹理合成的问题。使用CNN进行纹理合成和风格转移的方法能够产生很好的实验结果。本文对传统CNN方法在生成结果的纹理质量进行提升,解析学习过程中的稳定性和参数调节方面的一些局限性,并提出一种基于图像特征的直方图约束的多重控制的风格转移方法来改善这些不足。本文首先针对原问题的不稳定性给出数学原理的解释,然后使用特征块的直方图约束进行风格图像和内容图像的特征块的匹配以此来改进存在的不稳定性。本文也展现了怎样在多尺度框架上进行局部风格损失的调整。本文提出的方法能在较少的迭代次数下改进目标风格转移图像的质量,在优化过程中更加稳定并增加内容和风格的区分度,提供更人性化的用户控制。相较于前人的方法,整个结果不仅对图像的风格转移实现效果有较大提升而且支持任意的内容和风格的输入,使得整个调整系统更加灵活和人性化。