在自然语言处理的研究领域中,文本自动生成作为一项重要的前沿技术而受到高度重视,实现文本自动生成也被视为人工智能走向成熟的标志之一。文本生成技术是一类宽泛的深度学习技术,其衍生出一系列的通用模型,当将文本生成技术运用到现实任务上时,往往要求在通用模型上进行特定任务设计,以此来匹配不同任务的需求。本文主要研究文本生成技术在短文本生成任务中的应用,并选择任务中的类别维度进行深入研究。本文研究旨在希望可以控制文本生成的方向,生成指定类别的文本,使文本生成技术更便捷地应用到实际的具体问题之上。自动生成指定类别的文本对于文本生成而言是一项具有挑战性但应用价值高的任务。目前自动生成指定类别文本的研究已获得一定的进展,然而仍存在着局限性。首先,由于文本数据具有离散和复杂分布的特点,文本生成技术仍面临着曝光偏差、模式崩溃和缺乏可理解性等问题,导致文本生成质量不理想;在此之上增加指定文本生成类别的要求,使得文本生成目标多元化,难以找到合理的策略指导文本生成模型。其次,在缺乏相应类别数据集的场景下,文本生成模型无法充分训练学习目标数据域的分布,使得指定类别文本生成难以进行。综上所述,本文对当前指定类别文本生成中存在的两个问题展开研究:1.当前类别文本生成中无法平衡文本生成质量和文本生成类别的问题;2.生成模型在缺乏目标类别数据的情景下难以匹配目标数据分布,使得类别文本生成难以进行的问题。由于生成对抗网络在一般文本生成上已经显示出了良好的竞争力,所以本文将通过生成式对抗网络结构建立新的模型,解决上述问题。本文的主要研究工作如下:（1）针对当前类别文本生成中无法平衡文本生成质量和文本生成类别的问题,本研究提出一种基于多判别器的生成式对抗网络模型。与一般生成式对抗网络的单个判别器结构不同,本研究增加了判别器的数目,并设置了合理的策略梯度辅助判别器。模型包含两个判别器:质量判别器和类别判别器。质量判别器对生成的文本质量进行监督,类别判别器对生成的文本类别进行监督,结合质量判别器的判别结果与类别判别器的判别结果,通过有效的策略梯度机制反馈给生成器。反馈信号用于指导生成器生成,使得生成器保证生成文本质量的同时,还能控制文本生成的类别。本研究在亚马逊公开评论数据集和公开电影评论数据集上进行实验,并将现有的一些表现出色的文本生成模型作为基线模型进行比较,实验结果显示,本研究提出的模型具有良好的性能,在生成文本质量与生成文本类别维度均获得不错的得分。此外本研究还进行判别器消融实验,将所提出的模型与单个判别器模型进行比较,实验结果证明在本研究提出的模型中多判别器结构确实能提高生成器性能。（2）针对生成模型在缺乏类别数据的情况下难以匹配目标数据分布,类别文本生成难以进行的问题,本研究在多判别器的生成式对抗网络模型的基础上提出结合迁移学习的生成式对抗网络模型。将迁移学习运用于生成器学习中,利用迁移学习训练模型使其能够获得文本语义特征并且能够合理匹配目标数据分布,提高模型泛化能力并使得模型生成文本的质量与类别准确率得以提升;同时在判别器部分增加高速公路神经网络,加快判别器收敛,提高模型训练效率。本研究同样使用亚马逊公开评论数据集和电影公开评论数据集,设计类别文本数据缺乏场景,对本研究提出的模型及各基线模型进行生成实验,实验结果表明本研究提出的模型具有良好的性能;此外本研究对迁移学习和高速公路神经网络分别进行消融实验,实验结果显示,在缺乏类别数据的情况下,迁移学习能够有效提升生成文本的质量与生成类别准确率;高速公路神经网络能够有效提高模型训练效率。