随着人工智能的兴起,不管是自然语言处理、计算机视觉,还是无人驾驶等领域,深度学习技术被越来越多地应用到现实生活中,尤其是在图像处理方面。在如今信息大爆炸的时代,人们更加期望人工智能可以做一些与艺术相关的工作,而图像风格迁移就是其中的应用之一。图像风格迁移是深度学习技术的典型应用,是将一副图像在保持原有语义内容信息不变的情况下学习到目标图像的风格特征,包括风格图像的纹理、色彩和明暗等。因此,风格迁移在美颜滤镜、电影制作、动漫渲染等领域有着广泛的应用前景和巨大的商业价值。然而,就目前风格迁移研究现状来说,还存在一些问题,比如:生成图像丢失显著信息,主要语义内容轮廓不清晰,存在伪影等,使得所呈现的风格迁移效果不尽人意,并且人们还想要根据自己的审美需求去个性化调控生成图像的效果。因此,为了解决这些问题,本文进行了相关研究,主要内容如下:（1）综述了图像风格迁移的研究背景和意义,并对研究现状按照时间顺序进行了总结,分析卷积神经网络和生成对抗网络的原理,总结两类网络相关的风格迁移算法原理,并分析了优缺点。（2）提出一种基于改进卷积神经网络的风格迁移算法。针对主要目标显著区域扭曲的问题,在快速风格迁移算法的基础上,引入显著性检测网络,并设计生成图与内容图的显著图损失函数,训练了新的算法模型。实验数据表明,该算法可以有效的解决生成图像显著内容扭曲的问题,与快速风格迁移算法相比,平均绝对值误差（MAE）降低了5.3%。（3）提出一种基于改进生成对抗网络的风格迁移算法。为了满足个性化调控生成图像效果的需求,在White-Box GAN算法的基础上进行了改进,重新定义了计算纹理表征的方法,并设计了纹理表征的损失函数,构建了一个动漫图像的数据集,在该数据集上训练了新的算法模型。实验数据表明,该算法可以满足个性化调控生成图像效果的需求,与White-Box GAN算法相比,生成图像的峰值信噪比（PSNR）提高了3.2%,结构相似性（SSIM）提高了3%,Fréchet起始距离（FID）降低了4.6%。（4）在Windows操作系统下,搭建了一个风格迁移系统,该系统提供了多个训练好的风格模型,可以接收任意格式的图像,供用户实时查看生成图像的效果。实验表明,本文提出的模型改进方法对图像风格迁移具有一定的应用价值。