图像之间不同风格的转换是图像处理领域的一个热点问题。所谓的图像风格化就是通过将艺术类图片的风格属性加入到普通图像的属性中,在保留普通图像原始内容的同时达到风格变换的目的。传统方法计算缓慢,操作复杂,基于神经网络的算法模型在生成图像的多样性上超过了传统方法,目前常用的算法有CNN网络和GAN网络,虽然在训练对称数据集时能很好地解决多种风格变化的问题,但对称数据集不多,对非对称数据集进行训练的网络生成的图像准确度不高,而且训练复杂的数据所需的时间长,占据的内存多。所以针对训练非对称图像的网络如何缩短训练时间和提高生成图的准确性提出一种基于Cycle GAN的改进网络SAW-CGAN（Self-Attention-wct Cycle Generative Adversarial Networks）。主要工作是在Cycle GAN网络的基础上做出如下改进:1.生成器的改进:（1）为减少网络提取特征时的计算量,提出将编码器的传统卷积层改为深度可分离卷积层（Depthwise Separable Convolution,DSC）,通过改变计算方式降低内存损耗,从而加快模型训练速度。（2）为提高网络生成图像质量,提出结合上色与白化转变模块（White and Color Transform,WCT）和注意力机制（Class Activation Map,CAM）去处理卷积层提取完的特征,并在残差块中间增加自适应层实例标准化（Adaptive Layer-Instance Normalization,Ada ILN）,有助于协助注意力机制更准确地掌控图像的纹理走向。通过消融实验验证本文提出的方法能保留更多有效信息,消除无用信息,提高提取特征的能力,从而达到提高生成图片质量的目的。2.判别器的改进:为配合生成器的热图机制及防止梯度消失,将判别器改为CAM+多层卷积组成的网络,并结合新学习机制（Two Timescale Update Rule,TTUR）方法动态调整学习率,通过消融实验验证改进的判别器能有效提高网络的性能。将SAW-CGAN网络应用到三个公开的非对称数据集（动物类、地图类以及艺术类）上,并与其他方法（Dual GAN、GDWCT、UGATIT）进行比较。结果表明在对生成图的清晰度和多样性以及特征提取方面的评估上,SAW-CGAN网络在三个数据集训练的效果均都优于其他网络,在速度和质量上都有一定的提高。