生成式对抗网络因其可以有效地学习数据的潜在分布,并可以生成高质量图像,逐渐在众多生成模型中脱颖而出,备受广大研究者关注。在图像迁移、视频生成、图像生成等很多应用领域中,生成式对抗网络均取得了丰硕的成果。本文针对生成式对抗网络的理论及其在图像生成应用中的问题进行了研究,包括提高生成式对抗网络的整体稳定性和训练速度,降低生成图像中噪音的产生。主要工作如下。首先针对由图像中存在大量冗余信息、和其本身的复杂性和多样性导致的生成式对抗网络训练速度缓慢和训练不稳定等问题,使用自编码器压缩模型对图像数据进行压缩,达到去冗余和降低复杂度的目的。但是经典自编码器压缩模型仍有不足,为了进一步提高自编码器压缩模型的压缩性能,提出了基于残差网络和注意力机制的自编码器压缩模型;为了解决网络模型中的梯度消失的问题在模型中引入了残差网络;针对网络整体特征提取的效率较低并且提取的特征中有大量冗余等问题,在模型中引入了CBAM卷积注意力模块。实验结果表明,基于残差网络和注意力机制的自编码器压缩模型稳定性和压缩能力更强。最后将自编码器压缩模型和生成式对抗网络相结合,提出基于自编码器压缩模型的生成式对抗网络。针对图像经过自编码压缩模型后特征已经不明显的现象,采取使用全连接层搭建生成式对抗网络,并使用更稳定的Wasserstein距离代替的原始生成式对抗网络中的交叉熵损失函数;针对生成式对抗网络生成的图像会夹杂着噪音的现象,引入了第二个判别器进行去噪。实验结果表明,基于自编码器压缩模型的生成式对抗网络,训练速度更快和所生成图像的质量更高。