随着信息化技术的快速发展,同类信息通过不同的呈现方式可以形成多种域的图像。这些不同域的图像信息互为补充,能够为人们的生活提供更丰富的视觉体验。因此,计算机视觉领域的研究人员对跨域图像转换算法进行了深入研究。跨域图像转换算法根据有无配对数据可分为有监督与无监督两种模式,每种方式都能够保证转换后信息的完整性,提升转换后图像的美观性。其中,基于生成对抗网络的跨域图像转换算法利用生成器与鉴别器互相博弈,最终达到纳什均衡的思想为这一领域带来了全新的解决思路,成为应用最为广泛的方法。因此,基于生成对抗网络的跨域图像转换算法已经成为计算机视觉领域的研究热点之一,具有重要的理论及实际意义。然而,该研究仍然存在以下两个重要挑战。（1）在有配对数据情况下,常规有监督转换算法没有考虑跨域图像间所含信息的差异以及不同映射范围下特征的差异,导致生成图像出现轮廓模糊、纹理粗糙以及上色虚假的问题。（2）在无配对数据情况下,大多数无监督转换算法只通过循环重建方式来优化整体模型,没有区分源域和目标域图像间的信息差异,导致二者的共享信息与独有信息杂糅,跨域图像的特征形态产生巨大差异。针对以上两个挑战,本文提出基于信息融合生成对抗网络的跨域图像转换算法来提升图像转换质量,主要研究内容及创新点包括:（1）从特征级信息融合考虑,本文提出基于并行融合与多尺度辨别的有监督跨域图像转换算法。首先,对于配对数据,有监督跨域图像转换算法通常忽略了跨域图像间的信息差异,导致生成图像出现轮廓模糊的现象。针对这一问题,本文提出一种并行特征融合生成器,采用双支路融合结构连接跨域图像。其中,主支路提取源域图像的深层特征并完成对目标域的特征转换,辅支路用于提取源域图像的轮廓信息,并通过跳跃连接方式与目标域特征结合,提升了整体图像的轮廓清晰度。其次,由于图像特征在不同映射范围下差异较大,只考虑单一尺寸特征的真实性作为鉴别结果会导致生成图像纹理粗糙。为了解决该问题,本文利用多尺度辨别的方式对生成图像的不同尺度特征进行综合辨别,以丰富图像的局部和全局纹理特征。另外,配对数据仅被用于与生成图像进行像素级约束,这种方式只能保证生成图像与其样式的相似性,并不能保证色彩的真实性。因此,本文提出颜色差异损失,利用高斯模糊卷积进一步强调图像色彩信息,提升了生成图像的真实性。该方法利用特征级信息融合的方式,在两个信息差异较大的跨域有监督数据集上都取得了良好的主客观评价指标与清晰真实的可视化结果。（2）从图像级信息融合考虑,本文提出基于语义协同形态感知的无监督跨域图像转换算法。在无配对数据情况下,无监督跨域图像转换算法常采用对称的两组生成对抗网络完成跨域图像转换,将不同域的信息杂糅得到生成图像。在目标级图像的无监督转换中容易出现前后景纹理混乱现象,影响生成图像的整体视觉效果。对此,本文提出一种纹理语义协同生成器,其中,独有纹理生成器提取目标域纹理信息,共有语义生成器提取源域语义信息。通过特征融合方式,将源域图像、纹理图像及语义图像三者结合,基于前后景分离思想融合得到生成图像。另外,由于无监督方式下不存在对应的配对图像,为了防止源域图像与生成图像的特征形态差异较大,本文提出形态感知损失对来自不同域图像的语义信息进行约束,增强网络对语义图像的整体感知力。该方法利用图像级信息融合的方式,在两个有监督数据集及四个无监督数据集上取得了纹理清晰、形态明确的可视化结果及良好的主客观评价指标。