深度学习在计算机视觉领域的表现十分亮眼,基于深度学习的方法能够处理很多图像相关的问题,比如图像生成、图像修复等。生成式对抗网络作为深度学习中的一种重要方法,能够生成高质量的图像,用于扩充数据集、图像分类等。虽然生成式对抗网络的表现十分优秀,但是其存在着许多问题,如训练不稳定、模式崩溃等,需要进一步的改进优化。首先,本文提出了一种基于生成式对抗网络的两阶段图像生成方法,提升生成式对抗网络的图像生成能力。第一阶段为特征生成阶段,先训练一个特征捕获网络,用于捕获图像的特征;其次训练一个生成式对抗网络来拟合图像特征。第二阶段为图像生成阶段,将第一阶段训练好的特征生成器加入到一个新的生成式对抗网络中,让输入的随机噪声先经过特征生成器后传输到图像生成器进而生成图像。其次,为了优化本文的方法,对第一阶段特征的维度、特征捕获网络的选取进行了探索。基于CIFAR-10数据集上的实验结果显示,特征维度对模型生成能力影响细微;第一阶段特征捕获网络的分类准确率越高,能够提升整体模型的图像生成能力。在最终的模型中,采用128维的特征,以及基于Res Net-110的分类网络。然后,为了验证模型在不同数据集上的泛化能力,分别在MNIST、Fashion MNIST和CIFAR-10数据集上进行实验。实验结果均显示,使用两阶段图像生成方法的模型比对应的基础模型,生成的图像质量更高。特别是,在CIFAR-10数据集上,使用本文方法的模型将基础模型的IS分数从8.12提升到8.37;将FID分数从22.4降低到15.85。最后,针对生成式对抗网络中常见的模式崩溃问题,本文进行了2D-ring和2Dgrid实验。实验结果显示,本文方法能够提升模型的生成模式数量、生成高质量样本比例和降低反向KL散度,改善模式崩溃问题。