随着人工智能技术的崛起,利用深度学习开展计算机视觉领域的研究已经取得了令人瞩目的发展和进步。生成对抗网络的提出为文本生成图像任务的研究提供了新的思路。该任务要求输入一段文本描述,并输出符合文本语义信息的逼真图像。尽管这项工作已经取得了不错的成果,但是大多数现有方法都将关注的重点放在文本描述上,却忽略了一些重要的细粒度图像信息。这样的做法既会阻碍更高质量图像的生成,又会影响生成图像的多样性。因此,本文为进一步提高生成图像的质量展开了以下工作:首先,关注生成模型的改进方案。提出了一种全新的图像注意力机制,并将其应用在注意力生成对抗网络中,使生成网络能够自发地选择图像中的重要子区域,并为其绘制更加精细的细节。同时,在评估细粒度文本与图像的匹配情况时,使深度注意力多模态相似模型更加关注图像中重要子区域的匹配情况,从而为生成网络的优化提供支持。经过验证,该方法既能够在一定程度上提升图像的品质,又能使训练速度提高约28.57%。其次,为了进一步优化生成网络,提出了一种全新的图像代表性-多样性奖励模型。在生成网络中实现该模型能够优化图像中更具代表性且内容更需要被完善的区域,以此来生成具有更丰富细节的图像。大量实验结果证明了该方法的有效性及先进性。在两个数据集上,该方法使注意力生成对抗网络将图像的Inception Score值分别提高了 4.28%和4.39%,并且生成的图像拥有更加丰富的细节以及多样化的内容。最后,关注判别模型的改进方案。通过为输入判别器的图像子块赋予不同程度的注意力,判别网络能够更加严格地审视待评估的图像,从而引导生成模型生成符合更高标准的高品质图像。实验结果表明,该方案能够在一定程度上优化图像的生成效果。