生成对抗网络(GAN)是近年来备受关注的一种图像生成网络,它是由生成模型和判别模型两个模型通过对抗学习的方法协同运作。这种对抗学习的思想使生成对抗网络在生成式网络模型中脱颖而出。本文针对生成对抗网络生成的图像输出与输入都是同一类型的问题,提出构造与输入输出不同类别的新型生成对抗网络,主要做了以下研究:首先对生成对抗网络模型的训练过程和原理进行研究,简单介绍了几种生成对抗网络衍生模型的结构与应用,并且对衍生模型与原始模型进行对比分析。其次,通过搭建由低分辨率图片生成高分辨率图片的超分辨率生成对抗网络(SRGAN)对比分析了判别网络的加入对生成对抗网络的影响,并且用单独的生成模型实验证明了生成模型的作用以及判别网络的重要性。结合最优传输理论对生成对抗网络进行剖析。最后,针对生成对抗网络输入与输出是相似类的问题,研究了一种基于生成对抗网络生成“中间态”的方法,并在MNIST数据集和手写汉字数据集上进行实验验证。实验结果显示基于生成对抗网络的“中间态”是依赖初始状态且综合两种输入主要特征的新事物,特征分布简单的输入更容易被机器学习。论文工作表明,基于生成对抗网络生成“中间态”的方法能够利用生成对抗网络生成“中间态”图片,构造一种能够发掘“中间态”事物的网络。使用此方法可以用于指导探寻新事物的过程。