随着现代计算机技术的不断发展,二十一世纪迎来了人工智能的辉煌时代,在自然语言处理、计算机视觉、音频处理这三大领域的技术突破最为明显,自然语言处理上,出现了文本生成和文本挖掘等技术,在计算机视觉上出现了图像风格迁移、图像生成、语义分割等技术,音频处理领域上有声纹识别、人声生成、音乐生成等技术。常规的深度学习神经网络都致力于研究回归或是分类,但是自从生成对抗网络被提出来之后,基于深度神经网络与大数据的样本生成技术逐渐成为了人工智能领域内热门的研究课题,在基于原始的生成对抗网络的基础上,不断有改进的新模型提出,如条件生成对抗网络CGAN能够根据输入的词语生成图片,深度卷积生成对抗网络DCGAN能够提取更加深层的输入图像特征,超分辨率卷积神经网络SRCNN以及增强型超分辨率卷积神经网络ESRCNN都是用于超分辨率图像生成领域。本文主要研究基于生成对抗网络的人脸图像生成技术,并从人脸图像生成、人脸图像去模糊以及人脸图像超分辨率三个方面提出了不同程度的创新与改进,本文主要提出的改进有以下三点:1.在人脸图像生成这一领域上,边界均衡生成对抗网络（BEGAN）可以生成令人印象深刻的真实人脸图像,但在生成图像的质量和多样性之间存在一个权衡。本文在分析完边界均衡生成对抗网络利弊的基础上,提出一种能够生成更高质量、更多样性图像的方法。即通过在鉴别器模块中加入第二损失函数（去噪损失）,使鉴别器模块可以获得更多关于真实图像分布的有用信息,进而提高了鉴别器模块在区分真实人脸图像和虚假人脸图像的能力,同时由于鉴别器模块能力的提升,生成器模块也不得不通过产生更真实的图像来欺骗鉴别器模块。同时本文提出在边界均衡生成对抗网络架构中使用批量标准化技术可以提高生成图像的多样性。2.在人脸图像去模糊这一领域上,由于在现实生活的环境当中所拍摄下的人脸图像会因为光线、抖动、角度、运动等因素造成图像模糊,因此为了解决在这种情况下人脸图像有所模糊的状况,本文在基于原始生成对抗网络（GAN）的基础上,通过引入感受野块网络（RFBNet）,增强了原生成对抗网络提取模糊图像特征的能力。其次,本文还提出了一种能够结合不同层次图像特征的特征损失函数并加入到原始生成对抗网络的最终损失函数当中,使网络的生成的去模糊图像与真实图像的特征相似度得到提升,最后,本文通过向原始生成对抗网络中加入RFBNet当中的RFBs结构,使改进后的模型的去模糊能力速度大大增加。3.在人脸图像超分辨率这一领域上,现有的增强超分辨率生成对抗网络（ESRGAN）是一种单图像超分辨率图像生成方法,能够生成高分辨率图像。尽管原模型生成的图像质量就很好,但这个模型仍有改进的空间。本文提出了一个对现有密集残差块（RRDB）的改进,即向RRDB模块中加入跳跃连接技巧（Skip Connection）,使得其对于图像特征的容量增加,并且用改进后的密集残差块去代替原来ESRGAN所使用的基本模块。除此之外,本文提出的另一个改进方法即通过向生成器模块添加噪声输入,并增加缩放因子参数γ,通过使用随机变量学习隐含图像的特征,生成的图像将会呈现更加真实的纹理效果。