本文应用深度卷积神经网络进行图像编辑传播和图像风格迁移。对于单幅图像进行编辑传播的问题,本文首先引入了组合卷积来代替传统的卷积,用以提取更加有效的特征。组合卷积由可变形卷积和可分离卷积组成,通过这个结构可以提取更加合理的视觉特征,并且减少模型的参数量和卷积的操作数。同时引入对错分的背景类进行加权的有偏损失函数,改善编辑传播过程中颜色溢出的问题。实验结果表明:使用组合卷积和有偏损失函数构建的双分支的卷积神经网络模型,可以实现单幅图像的有效上色,并且能够改善颜色溢出的情况。对于图像风格迁移问题,本文基于组合卷积构建了一个风格化的卷积神经网络模型,使用组合卷积提取内容图像的内容特征和风格图像的风格特征,并使用这些特征构建了损失函数,通过损失函数的约束更新模型的参数。模型的结构中使用了自适应的实例规范化层,实现了单个神经网络模型完成任意风格的图像风格化。实验结果表明:利用该方法能够快速地得到风格化的图像,并且生成的图像能够保留较强的风格。