移动设备的普及和通信技术的发展使得以抖音和快手为代表的短视频应用风靡全国。与此同时,深度学习技术也日渐成熟,越来越多的研究成果被运用在移动设备上。风格迁移是一种基于深度学习的图像再创作技术,可以将真实图像渲染成具有艺术风格的图像,感染力强,深受人们喜爱。以Prisma为代表的图片处理软件借助风格迁移技术收获了上千万的用户。本文将风格迁移技术应用于短视频制作过程,针对现有风格迁移技术灵活性差、稳定性不好、模型占空间较大等问题,展开针对性研究,提出了一种应用于视频的任意风格迁移模型,并将其高效部署在移动应用当中。本文的具体工作如下:首先,本文针对移动设备计算资源有限的特点研究了一种基于实例条件归一化的,同时满足灵活、实时、轻量化的风格迁移模型。为了使模型能够应用于视频,在其训练过程中在网络特征映射层级和输出层级引入了时序一致性损失。经过实验证明,该方法在保持模型的实时任意种类风格迁移能力的同时,能够大幅提升时序稳定性,以生成连贯的视频。另外,为了进一步压缩模型并提高模型推断速度,本文将上述模型的风格预测网络部分使用MobileNetV3网络进行替换,并使用知识蒸馏技术进行训练;在图像转换网络部分使用深度可分离卷积替换普通卷积。再加上模型量化压缩,模型体积一共缩减88.2%。基于上述的视频风格迁移模型,本文设计和实现了短视频风格迁移平台,在移动设备上提供了风格化视频拍摄、本地视频风格化、短视频剪辑、艺术短视频交流社区等诸多功能。为了解决平台开发常见的代码复用率低、可测试性差的问题,本文用函数响应式编程方法,通过数据绑定机制实现了信号驱动的MVVM工程架构模式。经过单元测试、集成测试、UI自动化测试和性能测试的检验,该平台的所有功能达到预期效果,满足用户创作艺术短视频的需求。