近年来,生成对抗网络成为深度学习中一个新兴的研究领域,而图像风格转换成为生成对抗网络中一个重要的研究方向,其对计算机视觉领域产生了重要的影响。图像风格转换目标是学习两个不同域或多个域之间的映射,将图像从一个域转换到另一个域。传统方法在进行图像风格转换时建模困难,转换效果差,而生成对抗网络可以获得优异的效果和丰富的图像。无监督的图像风格转换是计算机视觉领域中一个非常重要且具有挑战性的问题。无监督的图像风格转换旨在通过给定类的图像映射到其他类的类似图像。一般情况下成对匹配的数据集很难获得,这极大限制了图像风格转换的模型。因此为弥补这种缺陷,本文将现有的无监督图像风格迁移的方法进行改进,采用改进的循环一致性对抗网络进行无监督图像风格迁移。同时面部属性迁移与人脸合成也是图像转换中一个重要的研究方向,最近的研究表明利用生成式对抗网络进行面部属性迁移的任务取得了非常好的效果,然而现有方法在可扩展性和鲁棒性方面存在缺陷,并且转换过程是不可控的,在面部属性迁移上出现了困难,因此本文采用一种改进生成对抗网络的算法来进行面部属性的迁移任务。本文主要工作有以下几点:（1）为了提升网络的训练速度,避免梯度消失的现象出现,本文在传统的循环一致性网络生成器部分引入Densenet网络;在提高生成器的性能方面,生成器网络部分引入attention机制来输出效果更好的图像;为降低网络的结构风险,在网络的每一个卷积层都使用谱归一化。（2）在面部属性转换任务本文首先提出一种soft分类的方式让域和域之间可以做非线性变换,寻找域和域之间的非线性映射关系,从而转换过程将变得可控;然后在生成器的每一层都扩大特征图的分辨率来进行特征图的传递;最后引入self-attention机制,使得生成的图像的真实性和多样性比star GAN更好。（3）在无监督图像风格转换任务中为了验证本文方法的有效性,实验在monet2photo、vangogh2photo和facades数据集上进行验证,在Inception score平均分数和FID距离评价指标上均有所提高。在面部属性转换任务中使用著名人脸数据集Celab A进行实验验证,实验结果表明本文提出的方法图像真实性和细节比Cycle GAN等方法更好。