图像检索和图像采集技术的飞速的提升使获得一张具有多标签要求的图像变得非常有意义。获取图像将不只是局限在用以词搜图,以图搜图这类比较单一的形式去获取一张目标图像,如果能够通过绘制简笔画的形式去描述一张有多元需求的图像,对检索的多张图像进行合成,能达到更加智能的效果,也更加人性化。但是如何把具有特定轮廓的目标图像检索出来,并用抠取的方式从原图上进行对象提取然后合成到背景图像上相应的位置是一个很有计算难度的问题。接着要把每个局部特征能够统一协调的放置在背景图像中进行图像融合让其不显得突兀也是值得研究问题。由于目前图像获取方式方法无法满足用户多维度的图像描述的需求,同时检索的方式过于简单而不能进行高灵活性检索的这个问题出发,尝试采用基于深度学习的对象提取融合方法。另外相对来说,表现质量差的对象不适合进一步的截取和切割,我们先对图像库中的图像进行预处理,筛选出相对高质量的图像,然后通过图像的显著性和清晰度值来评判,过滤掉显著性和清晰度达不到阈值的对象。接下来通过一系列的美学标准,如视觉平衡性,视觉三等分原则和中心对称对角线构图标准,把拍摄质量相对较差,评分低的对象作进一步的筛选。然后对具有高显著性的区域进行扩张,通过将分割出图像元素的轮廓与用户绘制的图像的轮廓进行轮廓匹配来返回一个最优的匹配值,最后基于画风迁移的方式对画面深层次特征的学习使画面的融合度提高,来提高图像的质量和自然程度。基于TensorFlow的实验框架,在实现效率上比传统的方法有了很好的提升,同时也是深度学习在图像合成领域的新应用。