近年来,跨模态领域的研究一直是深度学习研究的一个活跃领域。其中最热门的跨模态子领域文本向图像的转换时至今日都是一项具有挑战性的任务,需要结合自然语言处理和计算机视觉两个模态的算法。对文本生成图像跨模态领域进行研究,不但需要模型能够理解长难文本之间的信息关系,解码器需要正确解码,理解文本语义以及复杂的背景信息,而且需要模型能够稳定训练,从无到有地生成一幅近似于原图的伪图。本文对模型中的生成器和对抗器都加以改进,并且引入自注意力机制和对比学习的算法,主要工作概括为以下两个方面:（1）在经典生成对抗网络模型中,如果长难文本仅仅局限于文本的全局特征描述,得到的效果欠佳,本文在其基础上引入自注意力机制算法,首先输入一段文本,通过一个文本解码器解码得到句子全局特征和词级特征,其中文本编码器采用自然语言处理领域经典的双向的LSTM（长短记忆力算法）进行编码,可以提取文本描述中的语义向量,用全局的句子特征向量生成一个低分辨率的第一阶段图像,然后以第一阶段的输出作为第二阶段的输入,加入字词特征向量,进而生成高分辨率的图像。而在图像解码器中采用CNN（深度卷积神经网络）,这样可以让文本句子中的局部词特征和图像的局部子区域可以映射到同一个语义空间,在CNN中,第一段输出获取图像局部子区域的特征向量,而在后续阶段则获取图像的全局特征向量,让模型可以更稳定的训练。并且提出深度注意力相似性模型,计算文本与合成图像之间的匹配度以及相似性,解决文本之间的局部关联问题。（2）引入自注意力机制之后的模型虽然在模型训练的稳定性以及一般的文本生成图像质量方面都有所改进,但是对于COCO大型的数据集中依然存在缺陷,甚至在CUB数据集中,也出现了“畸形”的合成图像。为了让模型能够更好的学习特征,在训练集中,对于同一张图像,COCO数据集和CUB数据集都有5或10个文本对其描述,不同的词语描述用于不同的场景意义将大有不同,这也导致了注意力机制模型的复杂场景的质量不佳问题。因此,本文进一步引入对比学习的方法,增强合成图像的语义一致性问题,使用数据集训练模型的过程中,首先在预训练阶段,利用对比学习让模型去学习对于同一张数据集图片中一致的文本表述。然后,在主体模型的训练阶段,同样采用对比学习的方法,让模型学习对于语义相关的文本描述可以生成相似图像的一致性能力。从而解决跨模态领域中复杂文本到与之描述一致的图像的生成质量问题。