随着深度学习网络的发展,图像风格迁移成为人工智能研究领域的热门方向之一。风格迁移算法作为计算机科学与艺术领域的有效结合,赋予了计算机艺术再创造的能力。图像风格迁移技术不仅在学术界不断创新迭代,而且在工业界的应用也得到实践和拓展,其在商业价值和艺术创作等方面都展现出了巨大的潜力。目前,风格迁移技术主要是对图像整体进行迁移,对于西方画作的图像迁移,而仅针对图像局部区域、针对中国画的目标风格迁移研究相对较少。目标风格迁移作为风格迁移任务的一个子任务,具有与全局风格迁移不同的特点和要求。目标风格迁移任务拆解成目标提取、风格迁移和图像融合三个子任务。目标提取任务需要从图像中提取出目标对象,包括其分类信息,定位信息与空间布局信息。风格迁移任务与全局风格迁移一致。图像融合任务需要将生成的山水风格化图像按照目标对象原来的定位信息嵌入到原始图像,并使用图像融合算法对嵌入区域进行处理,使得融合更加平滑和自然。现有的研究都是针对各个领域独立进行的,整合性的研究相对较少。在实现具体的目标风格迁移任务中,需要实现速度和效果的平衡。针对山水画风格迁移中各个子任务的技术要求,本文实现了基于Mask R-CNN的目标风格迁移算法。本文的主要研究工作如下:（1）首先对经典的目标检测算法,R-CNN、Fast R-CNN、Faster R-CNN等进行系统研究,最终以Mask R-CNN算法框架为基础,实现目标风格迁移。在此,对其核心原理和算法流程进行介绍,并对Keras和TensorFlow学习框架进行学习,详细研究了Mask R-CNN的代码实现及其关键步骤。基于Mask R-CNN算法实现对输入图像中目标对象的类别信息、定位信息以及空间布局像素信息的、快速、有效提取,同时,加入图像预处理,利用图像分割、灰度处理等预处理方法进一步提高本文效果。（2）针对目标对象的风格迁移任务,本文基于卷积神经网络的山水风格迁移方法,实现将内容图像中的目标对象区域转换成带有特定风格的图像,并对其图关键步骤进行详细描述。首先利用VGG19网络进行特征提取,从高层提取内容特征,低层提取纹理特征,实现特征获取,其次,根据迁移图像和风格图像,内容图像指定的层数计算风格、内容损失函数,进而得到总体损失函数,最后定义新的优化器,并调整参数训达到最好的效果,同时,基于MS COCO数据集生成风格迁移模型,最终,实现目标对象更高效的快速风格迁移。（3）针对图像风格融合任务,本文通过分析不同的统计因素对融合效果的不同影响,设计提出了二阶段的图像融合方案。首先,通过匹配样式统计信息实现具有初步融合设计,其次,设计初步融合+视觉精调的模型改进融合效果,以及图像灰度化处理,最后,通过重新设计样式向量传输的标准并修改损失函数的计算方法提高了图像风格重建的质量。