自风格迁移算法被提出以来,相关的研究层出不穷,该研究在图像渲染、上色、艺术创作以及实际应用问题中具有重要的需求。而在视频风格迁移问题中,人们发现生成的风格化视频常常出现重影、伪影以及闪烁现象,并且具有算法速度缓慢、效率低下的问题。因此,研究如何同时提高视频风格迁移算法的时域稳定性和算法速度具有重要的研究意义。传统的视频风格迁移算法基于迭代优化,通过相邻两帧之间的正反向光流来约束风格化视频的时域一致性,虽然能生成效果较好的风格化视频,但耗时较长,算法速度远远达不到实际应用的需求。而现有的基于深度学习的视频风格迁移算法,利用前馈卷积网络对视频进行风格化,这样虽然可以实时地生成风格化视频,然而生成的风格化视频的时域连续性较低,闪烁现象严重,因此,本文主要针对基于深度学习的视频风格迁移算法进行研究,并提出改进。本文主要的研究点和贡献如下:1.提出了一种基于光流约束和前馈卷积神经网络的视频风格迁移方法。本文将传统方法与基于深度学习的视频风格迁移方法相结合,利用传统方法中使用光流约束前后视频时域一致性的思想,设计时域损失函数以增强网络模型对视频相邻帧之间时域相关性的学习能力,从而提高风格化视频的连贯性以及视觉效果。同时,设计了一个单模型单输出的视频风格转换网络,该网络仅在训练时需要计算光流数据,在测试时可以直接输出风格化视频,实现了实时的视频风格迁移,显著提高了算法速度。该方法结合了传统方法与深度学习方法的优势,不仅缓解了风格化视频中出现的闪烁、重影、伪影现象,还提高了算法速度,能够生成具有时域一致性且视觉效果良好的风格化视频。2.提出了一种基于长短时约束的视频风格迁移方法。视频风格转换网络如果在训练过程中仅利用相邻两帧的时域信息,对于时间维度上距离较远的两帧,其风格化结果的长时一致性可能会较差。针对这一问题,本文提出应在损失网络中增加对长时一致性的约束,通过改变重新设计目标函数,在风格转换网络中增加跳跃结构,使底层特征直接传入高层网络,以增强视频风格转换网络对视频时域相关性的学习能力,提高网络收敛速度,使得该方法能够生成具有高度时域一致性的风格化视频。考虑到深度学习问题中往往用到的都是数量级上万的数据集,而传统光流法计算量大且十分耗时,具有很强的局限性,因此本文使用基于深度学习的光流网络模块替代了传统光流法,提高了对训练集的处理速度。