图像生成研究在图像领域有着非常重要的意义,例如风格转换、图像超分辨率重建、自然语言生成、医学数据生成、物理建模等等。尽管经过了几十年的研究,但在面对复杂的图像时,图像生成模型的表现依然不尽人意。图像生成面临的主要挑战就是真实性以及多样性,近年来生成式对抗网络模型的出现提升了生成图像的真实性,但是由于原始的生成式对抗网络模型存在模式坍塌、生成图像清晰度低以及训练不稳定等问题,所以图像生成中的挑战依然是存在的。本文分别从模型结构方面和损失函数方面介绍了改进之后的变种生成式对抗网络。论文在模型结构方面,将原始的生成式对抗网络模型中的全连接网络层使用卷积神经网络代替使其更好的提取图像特征从而使得生成的图像更加真实清晰;同时在卷积网络中运用批量标准化方法,将特征层的输出进行归一化处理以加速模型训练速度和提升模型训练稳定性。另外在生成器网络中使用Leak ReLU激活函数去代替ReLU激活函数,解决模型在训练中容易出现梯度消失的问题,也就使得模型训练更加的稳定。在模型损失函数改进方面,使用Wasserstein距离去代替JS散度去衡量真实数据分布与生成数据分布之间的差异,Wasserstein距离的平滑性质能够加深模型在训练时所需的梯度从而有效解决模式坍塌的问题,使得生成图像多样性更具丰富性。在训练过程中为了平衡生成器与判别器的训练程度而对模型参数进行剪枝处理,并使用适用于函数梯度不稳定情况的RMSProp优化算法去代替基于动能的优化算法。最终通过这两方面去提高生成模型生成图像的质量。我们选取了两个数据集在TensorFlow平台上进行建模实验,并利用IS和FID指标去衡量优化后的生成模型改进效果。本文实验中优化后的模型生成的图像清晰度有了明显的改善,同时在样本丰富度方面也有显著的提升。从以上实验分析,我们从生成图像质量和训练稳定性上可以得出结论:第一、对生成式对抗网络模型进行结构上的优化可以有效的提高生成图像的清晰度以及提高模型训练的稳定性。第二、对于模型损失函数上的改进能够有效的解决梯度消失和模式崩溃导致的模型训练缺乏稳定性和生成图像不具多样性的问题。第三、模型对于损失函数的改进效果要比结构上优化的模型效果要好。