深度学习的飞速发展直接促进了计算机视觉领域的发展,使其更广泛地服务于人类社会。图像风格迁移就是一项计算机视觉任务,是将一张图在内容不变的情况下变换成具有另一种风格图像的操作。很多研究人员利用深度学习在图像风格迁移方面取得了很好的研究成果,Goodfellow 提出 GAN(Generative Adversarial Network,生成对抗网络)后,更是为风格迁移研究打开了一扇新的大门。本文运用生成对抗网络技术研究了基于不配对数据集的多目标风格迁移任务,主要成果是基于以生成对抗网络与深度卷积神经网络的特性,改进了多目标风格迁移的数学模型,并用实验证实了新模型的有效性。首先,基于前人对多目标风格迁移的研究成果,我们对于基于不配对数据集的风格迁移对抗生成网络进行了实验,并以U-Net全卷积网络结构的跳跃连接结构为启发,分析了生成器与判别器的连接及梯度信息传递的路径后,提出了一种多层次判别器结构。后续定性实验结果对比与定量结果评估中,本文提出的结构使得训练生成的图像在质量上和多样性指标上都有了一定提升,说明了本文提出的多层次判别器的有效性。其次,本文考虑到基于不配对数据集的风格迁移研究多是采用循环一致性结构对图像的内容进行约束,为了使训练更有效率,本文提出了一种半循环一致性结构。半循环一致性结构用编码出的结构码的一致性代替了图像经过两次风格迁移后的一致性,节省了重新生成原图的部分。后续实验结果中,本文模型风格迁移后的图像质量不输于循环一致性结构的网络,且本文模型训练所用时间和内存占用率都有显著下降。总而言之,本文运用生成对抗网络技术对基于不配对数据集的风格迁移任务进行了研究,在前人研究成果的基础上,提出了新的模型结构,从而达到了提高生成图像的质量与运行效率的研究目的。