随着深度学习的不断发展,它逐渐被自然语言处理、推荐系统、语音识别和计算机视觉等人工智能领域广泛使用。而无论是医疗诊断、无人车、摄像监控还是智能滤镜,计算机视觉领域的诸多应用都与人们当下和未来的生活息息相关。风格迁移是计算机视觉领域中一个有趣的任务分支。风格迁移是指给定内容图片和风格图片,然后使用某种方法得到对应的风格化图片,该风格化图片具有给定的内容图片的内容且具有风格图片的风格。随着风格迁移受到越来越多人的关注,探索如何提升风格化的效果和速度就显得尤其重要。目前已经有很多的不错的风格迁移方法,但是现有的风格迁移方法基本都存在一些问题。第一,很多的风格迁移方法对于风格的度量方式都是基于Gatys提出的格拉姆矩阵,这种风格迁移度量方式通常没有考虑笔画的变化以及内容图像所包含的语义和深度信息。第二,也有一些风格迁移方法是基于图像优化的,每次想要生成一张风格化图片都需要重新进行训练,时间耗费比较大。针对存在的这些问题,提出了一个改进的基于松弛最优传输与自相似的风格迁移方法。该方法使用了基于松弛最优传输与自相似性损失函数考虑了内容图片的语义和深度信息,使得内容信息保留完好;并且该方法是基于模型优化的,在训练完成之后,可以实现实时风格化。对改进的基于松弛最优传输与自相似的风格迁移方法进行了广泛的验证,并与原方法进行了效果和速度的对比,与其它的基于模型优化的风格迁移方法进行了效果的对比。结果表明,所提出的改进方法能够极大的提高风格化的速度,在风格化的效果方面也有所提升。