图像生成技术一直是计算机视觉、计算机图形学等专业领域的重要研究方向,同时被工业界广泛的应用。经过许多科学家的致力研究,在深度学习图像生成的问题上,表现结果依然不尽人意,最主要的困难和挑战在于图像生成结果的多样性、真实性、稳定性以及可控性。近年来由于生成对抗网络的出现使图像生成技术在多方面有了长足的进步,但是由于生成对抗网络自身存在诸多缺点,如训练不稳定、无法判断收敛状态、模式坍塌等问题,故图像生成技术依然存在发展的空间。论文提出一种基于Wasserstein距离的双向学习推理(WBLI)模型,将编码器和生成器双向集成于基于Wasserstein距离的生成对抗网络模型中,以解决生成对抗网络中的模式坍塌问题和训练不稳定问题,从而增强了生成模型的学习能力。编码网络将数据空间映射到隐变量空间,再使用生成器将隐变量空间映射回数据空间,因为数据空间的分布中样本具有多样性,所以经此双向模型得到的生成样本也是多样的,这样就极大程度缓解了生成对抗网络中的模式坍塌问题。论文提出将条件约束机制融入WBLI模型(CWBLI),将分类器集成于WBLI的模型之中,以解决WBLI的生成样本的不可控性。分类器的损失函数通过与论文提出的重要权重加权进一步融入到生成器中,在模型训练的不同阶段自动调整模型学习目标,从而保证众多网络结构同时训练时的梯度下降方向的稳定。实验结果表明,CWBLI模型不同程度的缓解了图像生成技术以及生成对抗网络中的存在问题,生成了符合数据集标准的生成样本。