绘画是艺术创作的重要视觉表现形式之一,绘画作品的艺术风格包括颜色、纹理、构图等一系列图像信息,能够体现艺术家的创作背景和创作特点,是各类绘画流派的直接特征表现。创作一副具有特定艺术风格的绘画作品往往需要训练有素的专业人员花费大量的时间。而随着计算机技术的不断发展,借助图像处理和计算机视觉方法可以出色的完成艺术图像的创作。通过对绘画作品的艺术风格建立数学或统计模型,图像风格迁移算法能够使计算机自动地将任意图像转换为特定的艺术风格图像,同时保留原图像的语义内容和结构。图像风格迁移被广泛用于图像编辑、图像创意设计等应用,在社交媒体和数字娱乐等领域具有重要的研究意义和应用价值,已成为计算机视觉和图像处理的热点研究方向之一。图像风格迁移的研究重点为对绘画作品的艺术风格（如图像颜色、图像纹理）与待转换图像的内容信息（如图像构图、图像语义）进行表示与处理。其难点在于如何对“艺术风格”这一抽象的概念建立数学或统计模型,以及如何在风格迁移中保持图像的语义内容和结构信息的一致性。本文以真实照片作为内容图像,绘画作品作为风格图像进行图像风格迁移,以机器学习和深度学习为理论框架,研究语义信息在图像风格迁移中的应用,提出一系列图像风格迁移新方法,本文取得的主要研究成果概括如下:1.提出一种基于语义分割的黑白肖像画风格迁移方法。现有的基于图像处理的风格迁移方法往往对图像整体采用同样的处理方法,导致在人脸边缘处出现噪声,或丢失重要细节;基于样例的方法通常将人脸图像划分为图像块,会破坏人脸图像的结构完整性,最终导致肖像画合成结果中产生伪影,视觉质量较差。针对以上问题,提出使用由粗估计到细分割的语义分割方法,提取人脸照片的不同语义区域,对不同区域采取不同的风格迁移方法。既可以保留不同语义内部的结构完整性,同时可以结合不同风格迁移方法的优势。此外,结合全局结构模型,对不同部件的合成结果进行联合建模,平衡生成肖像画的内容相似性和风格相似性,从而实现人脸黑白肖像画的合成。实验结果表明该方法相比现有方法在合成人脸肖像画的质量、人脸结构信息保持,以及与样例肖像画的风格相似程度上均有优势和显著提升。2.提出一种基于双注意力风格内嵌网络的语义风格迁移方法。在风格迁移中,用户更关注生成图像的风格与风格图像的语义对应性。现有方法往往对风格进行全局迁移,而不考虑语义对应性。此外,目前利用语义信息进行风格迁移的方法大都基于图像优化的迭代计算方法,运算量大,迁移速度慢,无法满足风格迁移在社交娱乐应用中的实时性需求。针对这一问题,提出通过利用语义分割引入图像的语义标签信息,并设计基于语义标签的风格内嵌网络,利用语义注意力机制和风格注意力机制对语义对应关系和特征相关性联合建模,对风格特征进行内嵌表示。实验结果表明,该方法与现有方法相比,能够实现语义对齐的图像风格迁移;同时端到端的网络结构能够提升风格迁移的运行速度,达到实时风格迁移。3.提出一种基于流派表示空间和语义引导重构的图像风格迁移方法。现有的基于深度学习的图像风格迁移方法虽然在单张图像风格迁移上取得了一定进展,但采用单张风格图像无法体现出艺术家或流派的整体风格。此外,现有方法仅约束风格迁移结果与内容图像在全局的结构相似性,导致局部结构信息损失,破坏了风格迁移结果的结构完整性。针对这一问题,提出通过自编码重构,建立流派风格表示空间,学习流派整体风格;同时通过语义引导重构风格特征,在风格迁移过程中保持局部结构信息。实验结果表明,该方法相比现有方法能够迁移流派整体风格,同时保持局部结构信息,提升图像质量。4.提出一种基于双一致性损失的图像流派风格迁移方法。在跨域图像风格迁移任务中,要将图像从照片域映射到艺术作品域,需要通过训练模型学习照片和艺术作品之间的映射关系。现有的基于跨域重建的图像风格迁移方法只学习像素层面的映射关系,而忽略了艺术作品风格和主题之间的对应关系,导致模型不能很好地模拟画家的创作机制,使结果缺乏多样性。针对这一问题,构建语义相关的照片-风格数据对,并提出双一致性损失训练生成对抗网络,对风格一致性和语义一致性进行监督,从而获得照片域到艺术作品的语义对应关系。实验结果表明,该方法相比现有方法更能模仿艺术家的创作机制,对于不同语义内容生成不同的风格迁移结果,在保持内容图像结构信息的同时,提升风格迁移结果的多样性及语义对应性。