图像风格转换是一种可以将某种特定艺术风格图像的纹理信息转移到另一张自然图像上,使原自然图像在保持语义内容基本不变的同时具备该特定艺术风格的纹理特征的技术。现如今深度学习凭借其优秀的学习能力和图像处理能力在计算机视觉领域成为了最热门的方向。本文基于深度学习方法,针对图像风格转换算法做了一些研究。本文首先介绍了目前风格转换算法在计算机视觉应用中的研究价值和国内外研究成果及发展趋势。解释了传统算法的局限性,重点介绍了当前各种基于深度学习的图像风格转换算法的关键技术并对比分析了各自的优劣势及应用场景。最后介绍了本文设计出的一种多尺度特征融合网络,这种网络将多尺度特征信息融合完成风格转换任务,在细节上实现了更好的风格转换效果。本文所设计的多尺度特征融合风格转换算法主要针对深层次卷积不可避免的丢失一些局部信息,所以考虑将不同层次卷积结果加权解码,具体工作如下:（1）利用由卷积神经网络构成的编码器网络获取不同尺度的内容特征图与风格特征图,编码器结构采用预训练网络VGG从conv1₁到conv4₁的部分,将内容和风格特征图在conv2₁、conv3₁与conv4₁处的特征激活全部输出,为多尺度特征融合做准备。（2）利用白化着色变换算法对获取到的不同尺度内容特征图和风格特征图在各尺度空间中进行特征变换,使内容特征图分布与风格特征图匹配,得到不同尺度的融合特征图。为了防止内容和风格特征图中噪声对彼此特征变换时的影响,利用奇异值分解算法将特征值较小的信息去除,这样在不影响图像整体特征的同时避免了图像中可能存在的噪声对图像特征变换的影响。（3）将不同尺度的融合特征图从不同位置加权送入由本文设计的解码器网络。解码器最终将多尺度融合特征图还原回原始图像空间,完成风格转换。