随着机器学习和深度学习技术的进一步成熟,对于相关技术的研究与实际应用显得越来越重要。不论是PC端、移动设备端或者是嵌入式端,将已经成熟的技术进行实践与应用才是科技发展的最终目的。Web应用基于B/S的模式,由于其便捷性和跨平台性,在全球的应用市场占据了50%以上的份额。由于图像风格转移技术在实际应用中,建立深度卷积神经网络需要大量数据集进行学习训练,计算量庞大,难以进行实时图像风格转移,因此开展实时图像风格转移及其应用技术的研究具有重大的研究意义和市场应用价值本文深入研究了传统非卷积神经网络图像风格转移的不足,分析了采用传统卷积神经网络进行图像风格转移的可改进之处,发现了采用深度学习中的卷积网络结构能够将用户输入图像的内容和风格信息特征有效的分割。通过迁移学习的思想,完成对图像中间内容和风格图像的信息特征提取。在Django框架和TensorFlow平台结合的基础上,建立了一个Web原型系统,对基于卷积神经网络的实时图像风格转移技术进行了实现与验证。本文的主要工作如下:(1)本文针对传统的图像风格转移方法存在图像生成时间慢、风格转移效果有待提升、风格转移的图像风格种类单一等问题,提出了一种基于图像信息特征直方图自适应匹配(HdaIN)方法。该方法通过分析图像信息特征匹配过程中的不同统计方法并在原有基于均值和方差匹配方法的基础上进行改进,对图像信息特征的直方图进行自适应匹配从而得到目标图像信息特征。实验结果表明该方法能够实时实现图像风格转移并且对目标风格化的图像质量也有所提升。(2)本文在提出的HdaIN方法基础上,设计实现了基于卷积神经网络的实时图像风格转移网络结构。针对实时图像风格转移实际应用中存在的问题,实现了实时风格转移的Web原型系统并进行验证与性能分析。该系统具有能够实时实现风格转移、跨多服务器、保证任意风格种类的特点。