风格迁移算法是当前计算机视觉领域的热点研究方向之一。当下神经风格迁移的技术路线可分为:基于图像迭代的风格迁移和基于模型迭代的风格迁移。其中,基于图像迭代的风格迁移算法,通过不断迭代噪声图像的像素来生成风格化图像,具有合成图像质量高、可控性好、易于调参、无需训练数据的优点。而基于模型迭代的风格迁移技术,借助生成对抗网络（GAN）强大的生成能力,通过预训练生成模型来实现快速风格化。该方法具有计算速度快、可用于即时应用部署的优点。但是,上述两种技术方案都不是风格迁移的完美解决方案:首先,基于图像迭代的迁移方法虽然具有合成图像质量高、无需训练数据的优点。但是其缺点在于:计算时间长、不利于即时应用部署、感知损失的计算对预训练模型依赖大。第二种模型迭代的风格迁移:训练对数据依赖度高、数据需求量大、计算量大、训练时间长、对硬件要求高;且生成对抗网络模型复杂,存在训练不稳定、模式崩溃的问题,使得模型训练难度大。本文提出了一种神经风格迁移方法,综合了以上两种技术路线的优势,利用单图像生成模型（SinGAN）与自适应归一化（AdaIN）方法,设计了一个可以较好提升图像风格化质量,同时,降低图像训练复杂度、加速训练时间的单图像风格迁移模型。首先,本文对原有的单图像生成模型（SinGAN）进行了改进,该改进的主要目的是提高SinGAN模型的生成能力,解决原模型生成图像中的噪点过多、结构扭曲、细节失真等问题。通过引入SSIM损失函数,重新构建SinGAN模型的损失函数并重新选择激活函数,改善了生成图像噪点过多的问题,使生成图像更加平滑。通过引入了多阶段并行训练方法解决了生成图像结构扭曲的问题,并通过级差缩小学习率的方法克服了并行训练方法带来的过拟合问题,稳定了SinGAN模型的训练。通过渐进式增长策略与训练阶段数的实验,寻找到最佳的增长策略与阶段数,增强生成图像的细节。其次,改进了AdaIN风格迁移算法。通过跨连接层设计增强对图像的风格化效果。并通过缩放参数实验、寻找到较好的缩放结构,改善了生成图像的清晰度与亮度细节。之后,构建了基于单图像生成算法的风格迁移模型。该模型的构建分为两步完成,第一步通过卷积网络与自适应归一化方法构建基础迁移网络;第二步利用改进的SinGAN模型构建了图像修正网络。通过基础网络与修正网络的合同协助,完成图像的风格迁移。最后,通过与Gatys模型、AdaIN风格迁移模型的对比实验,验证了模型的可行性。并验证了模型在提升图像风格化质量、降低训练复杂度、加速生成图像时间等方面的提升。并通过设计实现在线风格迁移系统,完成了算法的应用部署。