对抗式生成网络(Generative Adversarial Networks,GAN)于2014年首次由Ian Goodfellow领导的一组研究人员提出。对抗式生成网络通过构建两个相互竞争的模型来拟合分布。其中生成模型将噪声作为输入并利用神经网络生成样本,而判别模型同时从生成器模型和真实训练样本中进行采样,并利用梯度下降优化模型参数,最终可以从生成器中采样出类似真实数据的样本。本文以原始对抗式生成网络理论模型作为基础,结合深度卷积神经网络,针对对抗式生成网络应用在复杂计算机视觉场景中所存在的问题进行研究并提出了一系列改进,同时设计了多种可以应用于复杂图像内容的的深度卷积神经网络模型。本文主要工作有如下几点:1)分析了原始对抗式生成网络模型的难以收敛以及在训练过程中产生模式崩溃的原因。针对分析的结果,本文提出了三点改进方案,包括对判别器的输入进行的可导变换,使得判别器在初始阶段更难以找到分隔生成器隐含分布与真实分布之间的超平面,以稳定模型前期的训练过程,解决在复杂场景下的收敛性问题;引入经验回放队列,在训练判别器时使数据在时序上具有随机性,维持采样数据独立同分布,以缓解生成器模式崩溃现象;在生成器部分加入额外编码信息,并利用判别器作为解码器,使得生成器产生的图像具有更多可调节的变化。2)研究了对抗式生成网络在图像超分辨率中的应用,通过将图像信息修复描述为给定样本下的条件概率期望最大化问题,设计了一套基于本文改进方案的的对抗式生成网络模型。本文同时将超分辨率任务分解为图像降噪以及细节还原两部分,可以实现端到端的模型分块训练以及模型中两部分平滑融合。在评估中设计基线评价网络对生成结果进行评估,模型在谷歌街景以及自然摄影数据集中均取得了良好的效果。3)研究了对抗式生成网络在图像域迁移问题(或称为图像翻译问题)中的应用,本文结合改进的对抗式生成网络模型,通过构建循环约束损失函数,实现了在没有配对图像情况下的图像域间转换模型。在实验中重点研究了在CELEB-A数据集上的不同情况下的网络性能表现,并结合性别判定网络对转换结果进行分析,结果显示模型可以在大部分情况下均有效。