随着现代社会生活水平的提高,汽车数量高速增长,交通安全面临着重要挑战。智能交通系统由于可以将行人、道路和车辆三者组成一个有机整体,确保交通的安全性,已经被广泛应用于现代交通中了。然而,目前的交通数据集由于细粒度不够或多样性较差,已经难以满足研究需要。而生成对抗网络（Generative Adversarial Network,GAN）拥有创造细粒度数据的特性,可以解决由数据集本身导致的系统无法准确完成交通任务的问题。生成对抗网络的应用形式包括单模态和跨模态两种。本文基于深度学习方法,研究跨模态下文本引导的车辆图像生成算法,即模型可以通过文本的引导,对车辆的颜色、车型和朝向三种视觉属性进行生成,为智能交通任务提供充足的数据支持。本文主要研究内容及成果如下:（1）提出三阶段的渐进式文本-图像生成模型。该模型可以通过三个生成阶段,逐步得到256×256分别率的车辆图像,模型的每个阶段均包括文本图像融合模块、属性细节鉴别器和通道空间注意力网络。文本图像融合模块对图像特征和文本特征进行线性计算来融合文本和图像信息。属性细节鉴别器利用多个局部鉴别器,对图像的多个属性进行分类来判断和文本描述的匹配性,以此生成与文本描述一致的视觉属性。针对车辆数据集“类间距离小、类内距离大”的特点,引入了通道空间注意力网络来挖掘更有效的信息,实现更细粒度地提取图像特征。之后,本文选择Veri-776数据集作为车辆数据集,并从车辆的颜色、车型和朝向三个方面进行文本标注工作。本文通过实验证明了模型远优于其他同类模型,渐进式文本-图像生成模型不仅准确生成了与文本相关的视觉属性,也保护了原图像中与文本描述无关的其他属性。（2）提出基于小样本下深度注意力多模态相似模型的改进方法。由于数据集文本描述较少,造成生成图像中有部分出现了细节表现不佳、真实性不高的问题。本文通过深度注意力多模态相似模型来对文本编码器和图像编码器进行预训练,以此减少训练过程中的误差。同时对该模型进行了相应改进:图像编码器中加入了前文所述的通道空间注意力网络;而在文本编码器中引入条件增强技术,该方法可以从独立的高斯分布中随机抽取潜在变量来产生更多的训练对,更好地建立从文本到图像的嵌入,解决了因文本描述过少而导致生成图片质量不高的问题,同时也增加了模型的鲁棒性。本文通过实验证明了改进后模型的准确性和有效性,在CUB、Oxford-102数据集上的泛化性和通用性,以及对智能交通系统中下游任务数据支撑的有效性。