科研人员、实践应用人员看到了人工智能领域蕴藏着新机遇与巨大挑战,引起了共同关注。图像问题是人工智能领域的热点话题,其中图像样式迁移和图像分割是图像问题的核心之一,它们也是计算机视觉范围内所研究的重点课题。大部分的图像是由目标主体和背景组成。目标主体是呈现给人们的重要信息;背景是某个情境,是衬托目标主体的重要因素。传统图像样式迁移方法是从一个图像中提取样式,然后将提取的所有样式应用于另一个图像中,形成新感知图像。如何提取目标主体并迁移背景样式以产生不同的感知效果,这是本文要解决的问题。本文基于深度学习,采用图像分割技术,如:提取、检测、识别等,获得目标主体。在保留图像目标主体的基础上,运用图像样式迁移技术对背景样式迁移,由此生成新的感知图像,产生新的感知效果。本文提出了将图像分割与图像样式迁移相结合的新方法,增强了图像感知效果并突出目标主体。采用语义级联Mask R-CNN方法探索更多的图像信息,以达到更好的图像分割效果。语义级联Mask R-CNN对图像进行处理以获得目标主体,由101层卷积神经网络、残差网络（Res Net）和特征金字塔（FPN）组成骨干网络;将检测和分割功能融合在一起,对级联集成的目标主体进行多阶段处理;采用全卷积分支获得空间上下文以表示图像语义信息。语义级联Mask R-CNN方法能够更好地区分硬目标主体和背景,更多地保留图像目标主体。通过图像样式迁移方法--Neural Style Transfer,增强了图像感知效果。该方法使用卷积神经网络（CNN）开拓了图像样式迁移的新篇章,采用vgg19作为骨干网络;可以分离并重组图像内容和自然图像的样式。此外,通过将样式分解为感知因素,以组合多个来源的样式信息,从现有样式中生成具有吸引力的新样式。实验结果表明,本文提出的方法产生了不同于其它最新方法的感知效果。本文的创新点总结如下:1.提出了将图像分割与图像样式迁移相结合的方法,能增强图像感知效果,突出目标主体,解决传统样式迁移方法没有考虑目标主体原始状态的问题。2.运用语义级联Mask R-CNN方法,探索更多图像信息,区分硬目标主体和背景,更多地保留图像目标主体特征,解决Mask R-CNN没有考虑检测功能目标主体特征以及语义信息的问题。3.通过样式迁移方法分离并重组图像样式,只选择对背景样式迁移,解决传统样式迁移时,提取的所有样式只能整体迁移于另一图像的局限性。