在日常生活中,文本和图像是两种常见的承载信息的模态。随着人工智能和深度学习技术的发展和成熟,计算机模拟人类行为、从自然语言中生成图像的方法受到了广泛的关注。在生成对抗网络技术的研究与应用过程中,跨模态的文本到图像生成任务取得了一定的成果,但由于该任务结合了自然语言处理和计算机视觉等多个领域的技术,具有生成步骤复杂、挑战性高等特点,文本生成图像模型的性能需要进一步提升,尤其是生成图像的质量亟需提高。为了满足文本生成图像的高质量与多样性需求,本文主要针对多阶段和单阶段文本生成图像模型进行了较为深入的研究,主要工作包括以下两点内容:（1）为了提升多阶段生成模型中初级阶段生成图像的质量,提出了基于自注意力机制的文本生成图像模型SAttn GAN。将自注意力机制引入初级阶段图像生成过程中,通过捕获远程特征实现低分辨率图像的细化,从而间接地提高了最终高分辨率生成图像的质量。另外,稀疏注意力的应用使得该模型在注意力机制中关注更重要的成分,忽略其他不相关成分的影响。在图像多样性方面,通过在生成器损失函数中加入正则化项,显式扩大了两个相似图像之间的距离。基于CUB和MS COCO数据集的一系列实验表明,SAttn GAN不仅提高了生成图像的质量,而且在一定程度上丰富了生成图像的内容,增强了生成图像的多样性。（2）针对多阶段生成模型训练低效、传统单阶段生成模型中文本语义信息利用率低的问题,为了提高生成图像的质量,提出了层级的单阶段文本生成图像模型HDGAN++。首先,利用单流的生成器结构实现高分辨率图像生成,生成器中的残差层和上采样层负责融合图像文本特征,实现图像分辨率的提升。此外,在每个残差块中使用条件批量归一化方法,增强了文本语义信息的利用率。其次,为了增强生成图像与真实图像的类一致性,在判别器中加入了投影判别器组件。最后,在判别器中应用谱归一化方法,旨在稳定GAN的训练过程。基于CUB和Oxford-Flowers数据集的定量与定性实验结果,证明了该模型的有效性,不但在提高图像生成质量的同时稳定了训练过程,而且生成的图像具有多样性。