随着图像翻译在医学、安防、娱乐等领域的需求日益增加,图像翻译已经越来越被人们所重视。虽然现阶段的图像翻译工作在各个领域均取得了很多的优秀的成果,但是依然有很多问题未被关注或者未被有效解决。一方面,在图像翻译工作中,支持多模态多类别的图像翻译工作较少,且往往需要用户提供大量的成对标签;另一方面,图像翻译任务往往只需要翻译出特定场景目标而不需要整体变化,但是满足这一要求的工作极少。本文针对图像翻译工作中存在的上述问题进行了深入研究,引入对抗学习机制,提出基于对抗学习的图像翻译的研究,主要工作有如下3点:(1)提出了一种基于半监督的多模态多类别图像翻译工作,以平衡样本标签和多类别多模态翻译之间的关系。该工作中提出了一种跨域对抗自编码器,以学习解耦潜在域不变的内容编码和特定域的风格编码。风格编码与先验分布相匹配,以便我们可以从先验分布空间中随机采样并生成一系列有意义的样本。通过在域分类器和类别分类器之间的对抗学习,将内容代码嵌入到多类别联合数据分布空间中,从而可以同时生成多类别数据。因此,通过联合解码潜在内容编码和采样的风格编码,生成多模态多类别跨域图像。最后,对网络进行了设计和测试。半监督实验与目前最好的方法比较表明,所提出的网络框架有能力在较少的标签样本的情况下产生高质量和多样化的翻译结果。在无监督条件下的进一步实验表明该网络在学习解耦表示和域自适应方面也具有优越性。(2)提出了一种基于上下文感知的图像翻译工作,以解决目前图像翻译工作中不能完成特定区域翻译而对与翻译目标无关的区域保持不变的问题。该工作中提出了一种新的特征注意力模块用于捕获上下文中的各种特征的相互关系,以便在无监督的图像翻译中自动地只关注特定的场景对象。该模块可以集成到不同的图像翻译网络中,以提高它们的上下文感知翻译能力。此外,该模块的计算成本与图像大小之间存在线性关系,在白天转黑夜的数据集上的实验也表明,该模块对图像分辨率的增长不敏感。