自然语言处理（NLP）是人工智能中主要研究的方向之一,关于自然语言处理的研究受到了大量研究者的重视。近年来,NLP在机器翻译,信息检索,文本分类,文本生成上取得巨大突破。其中,文本风格转换技术由于其能控制生成文本的某些风格属性,从2017年开始被众多学者讨论与研究,成为文本生成及NLP中的一个研究热点。然而目前平行风格文本数据相当有限;而在非平行文本语料中,由于其无法提供相同内容且描述风格不一致的句子对,因此我们不能构造关于风格的映射训练来完成文本风格转换。在目前现有的工作中,大部分集中于风格转换的准确率,而忽略了文本内容的保留,然而较长句子的内容信息在转换过程中容易丢失。1.针对句子原本内容信息容易丢失的问题,我们先训练了一个以句子词袋特征为内容信息表示的内容识别器,通过它提取原本句子和转换后句子中的内容信息表示向量;并以WGAN-gp建立对抗生成网络强迫两者内容信息表示向量中承载的内容信息一致。在实验中,相关的自动评价和人工评价结果都表明包含以WGAN-gp为核心的内容保护模型的TWPst框架（我们设计的框架一）相比与目前主流的文本风格转换框架更具高效性。2.另外针对非平行且数据量过少的语料中特征学习效率低下的问题,我们在第二个框架（DAAst）中引入领域自适应学习来探究源域（其它域）中的数据是否有利于我们对目标域的特征学习。之后我们在对句子进行编码的基础上增加对抗网络来排除句子潜在（语义）向量中不需要的原本风格信息,从而提升后续文本生成的质量。在对目标句子的风格信息生成过程中,DAAst利用自注意力网络中的注意力机制来给出可能生成的词对于目标风格的相关性权重,从而使得有关生成器集中于生成对目标风格具有更高相关性的词。通过相关实验分析,框架二对内容信息的保护能力明显优于之前的框架,且在缩减目标域的训练数据情况下,框架DAAst仍能有效地在转换后的句子中保留原始句子的内容信息（框架二的相关代码公布https://github.com/mingxuan007/text-styletransfer-with-adversarial-network-and-domain-adaptation）。