图像风格迁移在计算机视觉中占据重要地位,已在越来越多的领域得到广泛应用。给定一幅内容图像和一幅风格图像,内容图像是普通照片,风格图像是艺术家绘制的油画作品,图像风格迁移是指,基于某种算法,将前者表现出的内容信息与后者呈现出的风格信息相结合,从而合成一幅新的图像,生成图像保留了内容图像的内容特征,但和风格图像有相同的艺术表现手法。基于参数优化模型的图像风格迁移算法能够产生高质量的合成结果,但该方法的缺陷是效率低下。近年来,深度学习被广泛应用到计算机视觉的研究之中,基于前馈神经网络的算法被用来提升算法效率。然而,这些方法的不足在于训练好的神经网络只适用于限定数量的风格作品,不能很好处理风格图像训练集之外的数据。之后,基于特征变换的算法被用来对泛化性能进行改进,但是合成结果的质量差。为了改进之前的研究成果,我们对几种具有代表性的风格迁移算法进行融合,形成一种新的方法,新方法使得生成结果的视觉品质良好,同时保证效率和泛化性。本文工作包含以下三个方面:首先,对基于优化的图像风格迁移算法和基于特征变换的图像风格迁移算法进行详细总结,阐述其主要内容和核心思想,分析了它们的优势与不足。其次,针对提升风格迁移结果质量问题,提出了一种图像风格迁移方法,可以用来生成内容真实、纹理丰富的艺术风格照片。最后,从不同角度进行实验,实验结果表明,使用该方法产生的结果充分吸收了艺术作品的纹理特征,不仅内容图像的语义结构清晰,而且将现代场景和古典艺术风格很好地结合在了一起。