生成对抗网络已经成为深度学习领域一个热门的研究方向。生成对抗网络由生成器和判别器构成,采用无监督的训练方式,通过相互对抗训练共同提高。在成功地训练一个生成对抗网络后,其对应的生成器具备了强大的数据生成能力。因此,众多科研工作者将生成对抗网络应用于图像处理与计算机视觉、自然语言处理、语音识别等领域中。本文对生成对抗网络及其在跨域图像风格转换中的应用展开了深入研究,本文的主要内容如下:(1)将本文提出的SSIM-GAN模型应用到图像风格转换的任务中。在人脸肖像素描sketch-photo数据集和中国水墨画风格beihong-photo数据集进行实验。实验结果表明,与目前流行的DualGAN算法、CyCleGAN算法、Pix2Pix算法和GAN算法相比,本文的方法取得了更好的风格化效果。同时,为了加速SSIM-GAN模型的图像风格转换应用的收敛速度,本文采用改进后的Adam优化算法来对SSIM-GAN模型的目标函数进行求解。(2)结合结构相似性指数和最小二乘损失函数提出了一种生成对抗网络SSIM-GAN模型。SSIM-GAN的生成器借鉴了深度残差网络ResNet的设计理念,设计了一种端到端的跨域图像风格转换网络Res-StyleNet。此外在生成器中结合了实例归一化和填充图像边缘技术,用于消除伪影以提升生成器的生成质量。针对生成对抗网络训练过程中不稳定以及容易发生模型崩塌(Mode Collapse)的问题,本文采用对生成器输入数据重建的方法,利用结构相似性指数来衡量重建前后数据的差异性,来解决模型崩塌,同时又降低了生成样本的随机性。