风格转换旨在保留内容图片的原始语义不变的前提条件下,利用风格图片的纹理风格对内容图进行重新的渲染。它不仅可以满足人们对美和艺术的需求,也广泛应用于艺术画作生成、视频制作、游戏场景设计等多个领域。风格转换算法利用人工智能技术,加快了艺术作品的创作速度,具有广阔的应用前景。近年来,基于深度学习的风格转换算法取得了重大进展,但是仍然存在一些不足。大多数的算法很难生成高质量的风格化结果图,且模型参数庞大,计算效率较低。本文针对这些问题,基于深度学习,对风格转换算法进行研究。本文的主要内容如下:(1)提出了一种基于子像素卷积的快速单风格转换算法。主流的单网络单风格算法在高分辨率图像上较难兼顾转换质量和转换速度,本文提出的基于子像素卷积的快速单风格转换算法,该算法利用子像素卷积和后置归一化的密集连接结构,利用去除冗余细节信息的低分辨率的内容图片,直接重构出高分辨率的风格化结果图。由于密集连接结构能够更好的捕获多尺度特征,提高特征利用率,从而可以使用更少的参数达到相同的效果。实验结果表明,在高分辨率图像上,本章提出的算法不仅可以实现高质量的风格转换,而且网络参数更少,风格化速度更快,效率更高。(2)提出了一种基于多尺度融合和压缩注意力的任意风格转换算法。主流的任意风格转换算法在多尺度建模上仍然不够高效,且模型参数量庞大。本文提出的多尺度融合和压缩注意力模块可以更好地对内容和风格编码器进行多尺度特征的建模,从而利用一个注意力机制便可以很好的融合编码网络的多个尺度的特征。此外,该算法利用多尺度对特征空间进行有效的压缩,从而提高计算效率。同时,我们还设计了一个参数更少、更加轻量的编码网络来进行内容和风格特征编码。实验结果表明,在相同条件下,本章所提的算法不仅可以实现高质量的风格转换,而且网络参数和计算量更少,算法效率更高。本文的研究内容同时兼顾风格化结果图的质量和算法效率,具有较高的应用价值。