随着科技进步和社会发展,人工智能相关的应用越来越多地体现日常生活中,例如人脸识别、智能推荐系统等。跨模态语义图像生成作为图像生成领域的研究热点受到了广泛的关注,主要将文本作为图像生成条件,生成与文本描述一致的图像。在图像生成领域,生成对抗网络（GAN）通过对抗学习,近似得到真实图像的分布从而生成图像,因其卓越性能使之成为图像生成领域的主流方法。虽然文本-图像生成任务已经取得了较大突破,生成的图像也较为逼真,但是当前模型中仍然存在着文本-图像对齐度不高、生成图像中丢失细粒度信息等问题。基于此,本文从上述问题入手,分析影响文本生成图像质量的关键因素,提出解决相关问题的方法。具体工作如下:（1）在跨模态语义图像生成任务中,最终生成的图像往往存在生成图像的目标主体与文本描述不符合,甚至丢失一部分细粒度的语义信息。针对此问题,本文提出自适应语义特征融合的图像生成模型（AsGAN）。该模型舍弃了主流的多生成器和多判别器的多阶段式生成模型,选择仅一个生成器和一个判别器的架构,运用Bert预训练模型进行语义特征的提取。在图像生成的过程中,生成器加入自适应的语义图像特征融合模块（Adaptive semantic image feature fusion module）。该模块可以实现语义特征与图像特征自适应融合,从而使得生成图像更加匹配文本描述。与现有方法相比,本文提出的模型AsGAN在CUB-200-2011数据集上表现出良好的性能。在保证生成质量的前提下能够促使生成图像更加符合文本的描述,生成的图像能够展现出细粒度特征。在评价模型的性能方面,首先通过直接观察生成图像的进行主观分析,其次应用量化评价指标进行评价。评价的结果表明了文中提出的AsGAN模型具有良好的图像生成能力。（2）为了解决GAN训练过程难以收敛的问题,本文在判别器中的卷积层进行局部谱归一化操作。同时,基于对比学习方法,提出对比损失函数,分别对生成器和判别器进行参数更新,稳定网络模型的训练,有效提升了模型生成图像的质量。将上述改进策略应用于AsGAN模型中,分别在CUB-200-2011和MS COCO数据集上进行实验验证。实验结果表明,谱归一化结合对比损失函数的改进策略对于提高AsGAN模型性能具有较好的效果。