随着深度学习技术的推进以及用户需求的不断更新,人工智能领域对于文本和图像的研究不再局限于单一的自然语言处理任务或者计算机视觉任务,整合这两种不同模态数据的跨模态学习开始受到人们的重视,并展现出了巨大的应用前景。文本语义图像合成作为一种结合文本和图像数据的跨模态图像生成任务,能够更好地适应日益多元化、复杂化的应用场景,满足用户的多样化需求。因此,该任务逐渐成为了跨模态学习领域的一个研究热点。本文是关于文本语义图像合成的研究,针对该任务当前面临的一些困境,探索有效的解决方案,进一步丰富文本和图像跨模态图像生成领域的研究内容。文本语义图像合成旨在通过给定的文本描述,对图像特定的视觉属性进行相应的编辑,同时保护原始图像中与文本无关的信息不被破环,进而得到期望的生成图像。不同于一般的图像生成任务,文本语义图像合成任务需要克服文本和图像之间的语义鸿沟及异构鸿沟,结合文本和图像的跨模态语义信息进行合理的图像生成。然而,现有的一些方法在根据文本描述编辑图像时,要么严重的破坏原始图像中与文本无关的视觉属性,要么难以重建符合文本描述的复杂纹理细节,使得生成的图像不尽人意。针对这些问题,本文从条件图像生成思想出发,提出了一个基于空洞残差聚集的条件生成模型（Dilated Residual Aggregation GAN,DRA-GAN）,用于根据文本描述进行合理的图像编辑。特别地,我们在DRA-GAN的生成器中设计了一个三重注意力导向的信息注入模块（TAIM）,用以融合文本和图像的跨模态语义信息,使得模型关注原始图像中与文本相关的视觉属性,而不是无关属性。进一步,在TAIM模块的基础上,我们提出一个空洞残差特征聚集网络（DRANet）,利用长远距离残差连接来聚集网络中具备丰富高级语义信息和空间位置信息的中间层特征,并通过空洞卷积融合聚集的中间层特征,在不牺牲特征空间分辨率的前提下,快速提高感受野,捕获多级语义信息,有利于在生成图像中重建与文本描述匹配的复杂纹理细节,进而提高生成图像的质量。为了验证所提出的DRA-GAN模型的性能,本文在CUB-200-2011和Oxford-102两个公开的数据集上进行了的定性和定量实验比较。实验结果表明,本文提出的DRA-GAN模型相比于现有的一些方法,具备更加优秀的性能,能够根据文本描述进行高质量的语义图像合成。