随着生成对抗思想和迁移学习在计算机视觉领域的广泛应用,数据生成方向上取得了长足进展,例如:图像生成、图像修复、超分辨率和图像风格转换等。其中,图像风格迁移可以广泛应用于照片合成、电影合成、装饰设计和隐私保护等领域,也可以用在工业网络和智能安全方面。图像风格化是风格转换的一种艺术表现形式,模仿艺术家的创作手法,并具有一定的观赏价值。本文利用深度神经网络中的Ghost模块从廉价线性操作中生成更多的特征图,然后利用注意力机制来转换各种风格的图像。该模型基于风格迁移最新研究成果,即在插图风格迁移的生成对抗网络基础上,使用更有效的生成网络方法来优化原始的生成对抗网络。在图像风格迁移的生成模型中引入了Ghost模块,用较少的参数量生成更多的特征图。在生成网络中添加了注意力机制,通过机器学习建模特征通道之间的相互依赖关系,从而提高网络性能和效率。我们创建了各种风格的数据集包括秋季风格、冬季风格、简笔画和素描风格数据集,并在创建的数据集和当前被广泛引用的风格迁移公共数据集上进行实验验证。实验结果表明,本文所提出的改进方法不会降低图像质量,并且生成的图像自然,是符合人眼的视觉习惯的风格转换图像。此外,它克服了图像风格转移模型中计算成本高和计算资源消耗大的问题。在主观和客观评价指标中,风格转换后的图像都具有更好的评价结果。