图像风格迁移是将输入图像从一个区域的风格转换为另一个区域风格的任务,该任务对当前的深度学习网络结构和算法都提出了巨大的挑战。处理图像风格迁移的一个有效方法是使用深度混合生成模型。具体地讲,图像风格迁移属于图像生成的一种,目的是输入一张图像,生成另一张新图像。为此,本文提出了基于深度混合生成模型的图像风格迁移模型,来提升生成图像的质量。深度混合生成模型主要为自编码器与生成对抗网络的组合,本文根据图像风格迁移的两种不同基本任务,无监督和有监督图像风格迁移,分别提出了增强的循环一致性生成对抗网络处理无监督图像风格迁移任务和交叉域自编码器生成对抗网络处理有监督图像风格迁移任务。循环一致性生成对抗网络是一个通用的无监督图像风格迁移框架,本文通过将基础网络块的替换以及VGG网络的引入,加深了生成网络的结构,同时捕获了高维特征空间所表示的图像内容,提升了生成图像的质量。交叉域自编码器生成对抗网络通过使用两个自编码器对内在特征的分离和融合,提升了生成图像的质量。本文在无监督和有监督图像风格迁移任务的标准数据集上展开了一系列的实验验证了增强的循环一致性生成对抗网络模型和交叉域自编码器生成对抗网络模型的有效性。实验结果表明增强的循环一致性生成对抗网络模型在生成图像质量和评价指标方面明显优于现有模型,而交叉域自编码器生成对抗网络模型也可以有效的解决有监督图像风格迁移的任务。