随着计算机视觉技术的不断发展,图像生成技术已逐渐成为计算机视觉领域的重要研究课题。变分自编码器(Variational Auto-Encoder,VAE)和生成对抗网络(Generative Adversarial Network,GAN)等自然图像生成模型则为该领域中最为大家所广泛熟悉的技术。VAE引入了隐变量推断和对数似然估计,训练过程稳定,但是生成图像缺少细节刻画,轮廓模糊;GAN生成的图像真实清晰,但是训练过程易出现模式崩溃问题,在合成高分辨率图像时表现更为严重。针对以上问题,本文从以下三个方面对变分自编码器VAE和生成对抗网络GAN展开研究。1.融合优势互补的VAE和GAN两类图像生成模型来提高图像生成技术,将VAE的编码器、GAN的生成器和判别器进行串联融合,提出基于GAN和VAE的串联融合网络TVAE-GAN(Tandem VAE-GAN,TVAE-GAN)。用VAE对输入图像进行编码,然后将提取到的编码特征作为输入传递给GAN代替传统噪声,通过GAN判别器的反馈信息不断提升生成器生成图像的质量,最终得到高质量的生成图像。实验结果表明,TVAE-GAN生成的图像更加清晰。2.针对TVAE-GAN网络结构复杂,图像生成时间成本增加,算法收敛速度减缓的问题,将GAN的生成器和VAE的编码器进行混合融合,用编码器和特征值函数替代TVAE-GAN中的判别器,同时加入相似性度量函数,提出基于GAN和VAE的混合融合网络MVAE-GAN(Mixed VAE-GAN,MVAEGAN)。在MNIST手写体数字数据集和CelebA人脸图像数据集的图像生成结果表明,MVAE-GAN生成图像的生成质量较高,且较TVAE-GAN减少了时间开销,加快了算法收敛速度。3.为了进一步验证MVAE-GAN在图像生成方面的实际应用价值,将MVAE-GAN应用于人脸马赛克去除问题,取得了较好的马赛克去除效果,研究成果有助于解决图像采集与数据缺陷等问题,满足人们对于特定图像数据的需求。