目前动漫图片风格的电子游戏拥有越来越大的市场和受众。在该类游戏开发中,存在高质量的背景绘制需要耗费资源巨大的问题,该类游戏在制作过程中通常需要绘制不同时间条件下的差分图,并要求电子游戏的背景图片比一般动漫图片纹理及色彩更丰富,边缘更清晰,而现有的动漫风格图像迁移方法仅支持照片域图像向动漫图像单一时间节点域的映射,并不能很好胜任这项任务。本文在基于生成对抗网络的从照片生成动漫风格电子游戏背景图片算法的基础上,从损失函数、网络模型、架构优化等方面做了以下三方面工作:（1）传统的动漫风格化算法通常基于常规卷积操作,很难产生高质量的动漫风格图像。基于生成对抗网络的动漫风格化算法使用非成对的数据集训练,能够生成具有明显动漫风格特征的动漫图像,但是生成图像的颜色容易产生失真,丢失输入图像的内容特征,并产生伪影问题。针对以上问题,提出基于图像分割算法改进的生成对抗网络算法,实验证明该算法可以将照片转换为颜色失真程度较低,纹理更平滑的动漫图像。（2）基于生成对抗网络的动漫风格化算法只接受图像作为输入,并且无法对生成的图像进行控制,拥有较低的通用性,而游戏中的图像背景通常需要绘制不同时间条件节点下的图像。为解决这个问题,提出一种基于边缘检测的条件式生成对抗网络算法。实验证明该算法在稳定生成高质量风格化动漫图像的基础上,能使生成图像符合输入标签向量的特征。（3）使用单个生成器与鉴别器架构的生成对抗网络算法,存在生成图像颜色易失真的问题。由于生成器对图片色彩区域边缘特征较为敏感,从而在特定区域涂上错误的颜色。为了使生成的图像在保持输入照片内容的基础上拥有更稳定的色彩,提出配对的生成器与鉴别器网络结构,并将模型配置在基于Tensorflow.js的网页平台上。实验证明基于网络结构的改进可以进一步提高生成图像的质量,降低色彩出现失真的几率,提高算法的稳定性。