图像生成任务作为计算机视觉领域重要的研究方向之一,受到研究人员的广泛关注。生成式对抗网络凭借其出色的性能在众多生成模型中脱颖而出,尽管它能够生成逼真且复杂多样的图像,但前提需要研究人员设计一个高性能的网络结构来避免梯度消失和模式崩塌等问题。这不仅需要大量的专业知识,而且需要反复试错,十分消耗时间。因此,自动化设计网络结构变得非常重要。神经架构搜索是一种自动化设计网络结构的技术,它按照预定义的搜索策略能够搜索出高性能的网络结构,显著降低了神经网络的设计成本。近年来,随着自动化机器学习的发展,神经架构搜索已广泛应用于图像生成领域。本文从生成样本的质量和多样性两个角度出发,探索基于进化算法的无监督图像生成模型。主要工作如下:（1）本课题摒弃传统的调参做法,将进化算法引入到生成式对抗网络中,自动化搜索生成式对抗网络的链式结构和残差结构,通过群体优化不断地迭代搜索出性能优异的生成器和判别器结构。（2）针对链式结构的生成式对抗网络,本文提出一个基于进化算法的双层优化模型。外层利用生成器和判别器的对抗特性结合生物学中的多种群协同进化策略优化整个种群,内层使用分组选择策略保护初始化时性能表现不佳的个体。实验在MNIST和Fashion-MNIST数据集上进行,结果表明,该模型可以提高生成样本的质量和多样性,有效避免模式崩塌等问题。（3）针对残差结构的生成式对抗网络,本文提出一个基于进化算法的双阶段搜索模型。该模型将生成器和判别器分为两个阶段搜索,通过降低生成器和判别器之间的耦合度,提高生成器的性能,并在判别器搜索阶段使用权重重置策略加强训练过程中的稳定性。另外,在性能评估模块使用低保真度评估策略来缩短网络的训练时间,提高搜索效率。模型在CIFAR-10数据集上进行训练,并在STL-10数据集上验证其可迁移性。实验表明,最终搜索到的生成模型能够媲美甚至超越人工设计的网络结构。