随着计算能力的提升,计算机视觉相关技术发展迅速。图像合成技术作为重要其中一个重要分支,同样发展迅速。本文深入研究了图像合成相关技术,介绍传统模型和基于深度学习的图像合成模型实现原理,并总结归纳各自的优势和不足。同时以复杂场景图像生成为主要研究对象,介绍了基于不同条件的图像合成方法实现,以及它们在各自领域的应用和已经取得的成果,并重点介绍了它们在实现包含多个前景对象的复杂场景图像生成任务上的优势和不足。以此为基础,提出了两种适用于复杂场景图像生成的创新模型,改进了原有方法的部分局限性,有效地提升了图像生成质量。主要研究内容如下:提出一种基于图注意力网络的场景图到图像的生成模型,解决包含多个对象的复杂场景图像的合成问题,以及复杂场景图中多个对象之间信息传播问题。整个模型基于生成对抗网络实现,通过7种方位信息构建前景对象的场景图,然后利用图注意力网络实现前景对象之间的信息传播,保证生成图像的空间结构信息。同时利用深度网络预测每一个对象的场景布局,包括对象的形状以及在图像中的边界框,并通过这些对象场景布局合并成一个粗糙的图像场景布局,用于表达最终合成图像整体结构。最终利用级联细化网络,将图像场景布局转化为合成图像。为了确保生成图像和真实图像在语义上更加相似,本文方法同时采用特征匹配的方式计算损失函数。提出一种基于文本描述和空间布局的合成图像的算法,结合了基于文本描述和基于空间布局两种图像合成模型的优势,同时将文本描述和空间布局作为输入条件来生成图像。这样做的原因在于,基于文本描述的图像合成方法无法区分实例对象以及它们之间的关系,而基于空间布局的图像合成方法以对象标签作为预测实例对象的初始输入,输入关键信息不足导致生成对象细粒度不高。而同时利用文本信息和对象标签信息来对空间布局进行填充,即能保证生成图像具有和输入一致的空间结构,同时保证生成实例对象具有丰富的结构信息和更高的细粒度。并且文本模型还可以利用潜在编码来控制全局图像和实例对象的风格生成,保证了生成图像的多样性。通过相关实验证明,证明了本文方法的可行性,并且和基线模型对比取得了更好生成效果。