通过端到端的深度卷积神经网络结构来学习特征表示,然后使用控制变量实现对生成信息的特定属性控制则是信息生成研究的一个重点方向。虽然将控制变量与输入信息或特征图级联能够实现对生成信息的特定属性控制,但控制变量与输入信息或特征图之间存在的信息量差异过大和维度不匹配将对属性控制带来一定的困难。因此本文对控制变量的引入方式进行了具体的分析和研究,并做了如下工作:（1）本文提出了一种控制信息引入方式,通过引入控制变量实现对生成信息的属性控制。本文的控制信息引入方式首先使用6层全连接层网络对控制变量进行非线性变换,使控制变量的通道数与网络提取到的特征通道数一致,解决了维度不匹配的问题。同时,通过自适应实例归一化将通道数相同的特征和控制变量的均值和方差在通道上进行对齐,实现了控制变量与特征的有效结合。（2）本文提出了一种表情可控图像生成算法,该算法基于本文提出的控制信息引入方式,通过面部肌肉运动单元向量对动漫风格人脸图像的表情属性进行控制。针对动漫风格人脸图像数据集中缺乏同一人脸的不同表情图像,在使用面部肌肉运动单元向量控制表情属性时为了避免人脸身份信息和其他细节信息丢失,在损失函数中引入了重建损失。最后通过实验表明本文控制信息引入方式通过面部肌肉运动单元向量对表情属性控制的有效性。（3）本文提出了一种基于主动学习的音乐生成算法,该算法使用本文提出的控制信息引入方式,通过乐器类别向量控制生成音乐的音色属性。针对从时序数据中提取乐谱特征和音色特征困难的问题,本文通过短时傅里叶变换得到音频文件对应的幅度谱,将时序数据变换为图像形式,然后通过乐器类别向量控制生成幅度谱的音色属性,最后通过短时傅里叶逆变换将音色变换后的幅度谱转换为音频文件,实现了对音乐生成过程中音色属性的控制。此外,为了解决乐谱相同而演奏乐器不同的音频文件缺失导致无法对音色转换后的音乐质量进行评价的问题,本文通过Classical Piano MIDI数据库和大规模音符数据库Nsynth建立了一个乐谱相同而演奏乐器不同的音频数据集。最后通过实验证明本文控制信息引入方式通过乐器类别向量对音色属性控制的有效性。