随着深度学习的兴起,以图像风格迁移为代表的人工智能与艺术的交叉碰撞在图形图像技术领域和艺术领域引起了高度关注。图像风格迁移是一种用不同风格渲染图像语义内容的图像处理方法,其在保证原始图像内容结构的同时,将图像的艺术风格进行转换,获得风格图像的质感与美学特征,使得最终输出的生成图像呈现出不同图像内容和风格的完美结合。但目前基于深度学习的风格迁移方法也有局限,从实际应用的角度来看,现有的网络模型存在参数数量庞大、存储和计算代价高、消耗巨大计算资源的问题,只能在有限的平台下使用,难以部署在受限的硬件平台上(如移动设备),对于这部分实际应用场景而言,因为计算瓶颈而无法得到有效应用。因此,本文基于深度卷积神经网络,针对风格迁移中移动端模型压缩方面的问题展开了深入的研究。本文所做工作如下:(1)介绍了卷积神经网络相关基础知识,阐述了将卷积神经网络的图像特征提取引入到图像风格迁移的原理,并通过对卷积神经网络卷积层进行可视化,更加直观地展现了卷积神经网络图像特征的提取过程。(2)本文基于Johoson等人的实时风格转换模型,在保证网络性能的前提下,在原算法网络结构的基础上,通过设计更高效的网络计算方式来改进原有残差网络的单元结构,实验表明,改进后的方法在一定程度上克服了图像风格迁移模型存储和计算代价高、消耗巨大计算资源、难以移植到移动端的问题。(3)目前对风格迁移合成图像的质量评价尚处于起步阶段,本文引入基于CNN的图像评估方法,从图像语义特征与美学观感的角度对改进前后图像迁移风格模型的图像质量进行客观评分,来检验压缩后模型风格转换性能的损失情况。(4)设计实现了基于Android的图像风格迁移系统,并在腾讯优测平台上对多项指标进行了测试,进一步验证系统的可行性。