跨模态由文本生成图像是大数据人工智能领域的重要研究课题,其发展推动了跨视觉和语言的多模态学习和推理的研究进程,是近年来最活跃的研究领域之一,在诸多行业有着广泛应用,如艺术生成、游戏引擎和计算机辅助设计等。根据自然语言描述生成与之语义匹配的图像是一个复杂的计算机视觉和机器学习问题,近年来取得了很大的进展。然而,目前大多数由生成对抗网络辅以语义约束的图像生成网络仅提高了图像的视觉真实性和语义一致性,而忽略了对图像内容更多元的控制,如生成图像中主体物的位置、大小等。因此,本文在生成对抗网络中加入位置约束,提出了以下两种能够控制生成图像中主体物位置的图像生成网络:（1）提出一种基于位置信息的单阶段图像生成网络。以生成对抗网络为基础,将语义特征与位置特征作为约束条件输入生成器,指导生成器在生成图像中的指定位置生成符合语义描述的主体物。将由文本提取得到的语义特征与由边界框图像提取得到的位置特征连接,得到包含了语义与主体物生成位置信息的合成特征。生成器根据该特征与随机噪声生成主体物在指定位置的符合语义描述的生成图像。鉴别器中设置了语义校对模块,利用长短时记忆（LSTM）根据生成图像中表达的语义信息获取再编译文本,并根据输入文本求出对比损失,使生成图像具有更高的视觉真实性和语义一致性。在CUB数据集和COCO数据集上的大量实验结果证明基于位置信息的单阶段图像生成网络可以有效确定生成图像中主体物的位置。（2）提出一种基于位置信息的多阶段图像生成网络。将生成对抗网络与迭代的级联多阶段图像生成框架结合,生成图像分为三个像素级,由三个阶段的生成器生成,在迭代过程中逐步提高图像的视觉真实性、语义一致性及定位精度,最终生成高质量的细粒度图像。位置特征由不同像素级的边界框图像提取得到,与由文本提取得到的语义特征一起被输入进对应像素级阶段的生成器,指导网络生成主体物在指定位置的符合语义描述的细粒度图像。对网络确定主体物生成位置的功能,设计了剪影生成模块,使网络更准确地确定主体物生成位置。在图像生成各阶段引入了注意力机制,指导生成器在生成图像子区域时关注与该区域最相关的单词。通过在公开数据集上的多组实验可证明,基于位置信息的多阶段图像生成网络可以确定生成图像中主体物位置,并使图像具有良好的视觉真实感和丰富的语义细节。