人工智能是当前的研究热点,也是能够引领未来的创新性技术,有着广阔的前景。近几年,深度学习的发展促使人工智能产生了飞跃式的进步,其在许多应用场景中均取得了不小的成就。作为深度学习的一大发展方向,生成式模型由于具有模拟数据分布的能力,相较于判别式模型,在诸如强化学习和计算机视觉等众多领域中具有更为广阔的应用空间。在这一背景下,本文提出了一种新型的基于深度学习的生成式模型一一基于核密度估计的图像生成模型。不同于现在流行的两大类生成式模型,本文提出的模型结合核密度估计的方法,显式地获知了训练数据的真实概率分布,并能够从中采样进行图像生成。具体来讲,本文设计的模型构造了一个以神经网络为基本结构的生成器实现从简单已知分布到训练数据分布的映射,之后采用核密度估计的方法分别对训练数据和生成数据的分布进行估计,以均方误差衡量这两者之间的距离,并作为生成器的目标函数,生成器的训练过程为最小化这一目标函数的过程,最终得到的生成器能够生成与训练数据同分布的样本。在手写体数据集上的实验证明了该模型的有效性。为探究生成式模型在计算机视觉领域的应用,本文提出一种基于生成式对抗网络的跨域转换模型,该模型能够在保留输入图像中关键语义信息的情况下,生成具有特定属性或风格的图像,实现对图像风格或属性的自主转换。与传统跨域转换模型相比,该模型具有训练过程与图像生成过程分开的特点,大大缩短了图像生成的时间复杂度。