生成对抗网络是深度学习中的一种生成式模型,它能够学习数据分布并采样获取到新的样本。在图像处理领域,生成对抗网络在很多场景都有应用,例如数据扩充,自动驾驶,表情转换以及艺术创作等。但它仍然存在着如模式崩塌,训练崩溃以及模型缺乏鲁棒性等问题。因此,研究生成对抗网络在图像处理方面的问题,有助于提高其商业应用价值和推动人工智能的发展。本文主要研究生成对抗网络性能的提升,生成对抗网络在多模态风格迁移中的应用,以及对抗样本在生成对抗网络中的存在形式,主要是通过理论分析和实验验证等方式进行。本文的体系包括对生成对抗网络的性能提升,应用研究以及应用的鲁棒性研究,主要创新点包含着以下三个方面:1、针对生成对抗网络的模式崩塌问题,我们提出了基于隐含迪利克雷分布的多模式生成对抗网络,能够发现数据内在隐含结构,并在拟合数据分布方面有着明显提升。通过实验验证了模型学习到的结构性信息,并在评估质量和多样的性的指标上有着较大的改善。2、针对生成对抗网络的应用问题,我们在多模态风格迁移领域里进行研究,在此领域里也存在着模式崩塌问题,这会导致迁移后图片的多样性不足,我们提出了适应性期望最大化注意力机制来解决这一问题,在学习风格特征方面取得进一步发展。并且通过实验可视化了特征层,证明了在风格学习方面的有效性,还在评估多样性的指标上有着显著的提高。3、针对生成对抗网络的鲁棒性问题,我们进行了多模态风格迁移领域的对抗样本的研究,对抗样本在安全领域和模型鲁棒性方面有着重要意义,但在多模态风格迁移里仍然缺乏研究,我们首先给出了这个问题的定义,并提出了相应的解决方案。此外,我们还提出了创新性的损失函数,在定量分析中有着很好的效果。