1.一种基于语义分割和深度卷积神经网络的肖像风格迁移方法，其特征在于，包括以下步骤：步骤1，选取一张需要进行风格迁移的内容肖像图像和一张作为风格来源的风格肖像图像，并对内容图像和风格图像分别进行语义分割，分割出肖像区域和背景区域，即形成内容图像和风格图像的语义图像；步骤2，采用深度卷积神经网络VGG‑19作为图像高级特征提取原始模型，并以relu5_1为内容约束特征提取层，以relu3_1和relu4_1为风格约束特征提取层；步骤3，分别为内容约束特征提取层和风格约束特征提取层建立新的特征图；步骤4，随机生成高斯噪声图像为初始化新图像；步骤5，根据内容肖像图像的尺寸大小来调整初始化新图像的尺寸；步骤6，将风格肖像图像、内容图像语义图像和风格图像语义图像均输入到卷积神经网络VGG‑19中，再利用马尔可夫随机场，计算内容肖像的语义图像和风格肖像语义图像在风格约束层relu3_1和relu4_1上的风格约束层损失函数；步骤7，将初始化新图像输入到卷积神经网络VGG‑19中，利用马尔可夫随机场模型，计算最终所生成的风格图像在内容约束层relu5_1的内容约束损失函数；步骤8，综合步骤6和7的结果，得到总的损失函数，并对于不同层，分别采用基于梯度下降法的优化算法生成肖像风格迁移结果，即采用梯度下降法，通过迭代计算生成风格迁移肖像的梯度，并利用总的损失函数，沿负梯度方向逼近原内容肖像和风格肖像，以让每次迭代生成的风格迁移肖像尽可能地分别与原内容肖像和风格肖像相似；步骤9，重复步骤6‑8进行100次迭代，再重复步骤5‑8进行3次迭代，输出最终的肖像风格迁移图像。
