深度学习随着计算设备的发展在近期获得了广泛的关注,其高效性与高准确性在一定程度上超越了以往的传统算法。然而,深度学习的不可解释性使得其在医疗、军事、金融等对于可靠性要求较高的行业的应用受到了极大的限制。与此同时,阻碍深度学习广泛应用的另一个约束是训练数据的匮乏,许多科研工作者为解决这一问题提出数据生成模型。然而现有的多数生成模型存在模式崩溃,模式混杂等问题。为了提出可靠的、可解释的深度学习图像生成模型,同时为了避免生成模型中出现的模式崩溃与模式混杂问题,本工作将最优传输理论应用于图像生成模型之中。我们使用蒙特卡洛方法将半连续的最优传输算法推广到任意维度,使其与深度学习模型结合成为可能。在最优传输算法方面,我们使用深度学习tensorflow-gpu框架搭建并实现了多GPU采样与并行计算,提高了蒙特卡洛采样点的个数,使得最优传输算法收敛精度提高,同时也提高了的计算效率。在生成模型上,我们将任意维度下的最优传输应用于图像生成任务的概率分布转化中,提出部分可解释深度学习模型。在本文中,我们将最优传输算法应用在深度学习图像生成的工程领域中,提出半透明的生成模型最优传输-自编码器生成模型和最优传输-隐空间插值生成模型,使其在高可靠性要求领域的应用成为可能。同时,我们对两种模型生成的图像数据进行测试与分析,我们首次提出的最优传输-隐空间插值生成模型解决了图像生成中出现的模式崩溃与模式混杂问题,通过模型测试结果分析验证了我们提出模型的有效性。