在深度学习发展下,计算机对事物的认知不再局限于对数据进行分类,识别和定位上,同时可以实现数据的生成,是对数据的高维理解。古有云“知其然,知其所以然”,当可以对数据进行高维建模时,数据在认知层面上将上升到一个新的阶段。变分自编码器(VAE)开启了数据生成的大门;基于流的Glow实现了数据的逆映射;生成对抗网络(GAN)判别器和生成器的博弈更新让模型在数据拟合上实现了从无到有的建模,这不仅在低维数据的合成上,在高维数据的生成上也展示强大的能力。然而VAE在生成上是模糊的,Glow庞大的计算量成为限制发展的因素,GAN在数据生成阶段存在着训练不稳定,生成的数据多样性不足的问题。如何实现生成模型的平衡和优秀的性能,一直备受瞩目。值得注意的是GAN的输入是随机噪声,这让生成器完全实现的是无中生有的任务,而VAE则是从数据的编码出发,得到数据的隐空间后再对数据进行生成。如何利用包含数据隐含信息的低维隐空间指导生成对抗网络,是实现数据高质量合成的一个关键点。本文通过学习任意数据隐空间分布,将之馈送到生成器中指导生成逼真的数据。这不仅实现了GAN在训练阶段的稳定,也改善了数据的多样性不足的问题,同时在数据的生成质量上通过与各大先进的基准模型进行实验比较,证实了模型的先进性,并将其拓展到更多的任务下进行应用,在图像翻译任务中展示了一定的优越性。具体而言,本文的主要研究成果如下:1.设计了任意数据隐空间分布学习算法,通过随机噪声拟合数据编码得到的低维隐空间分布,为高维数据生成提供了包含隐含信息的隐空间变量。2.对学习到的隐空间变量与生成对抗网络进行结合,设计成闭环的生成模型算法CAE-CGAN,实现了有监督和无监督下高质量数据生成,在定性和定量的实验结果上都得到了验证。3.对CAE-CGAN进行拓展应用,在图像翻译任务下取得到了一定的改进,同时可以将CAE-CGAN推广到一般性数据转换任务下。