生成对抗网络自从被提出便得到众多学者的关注,大量的研究表明它可以有效地解决现有深度学习任务中存在的部分问题,并在一些领域取得了突破性的成果。随着研究的深入,人们发现更大的数据集意味着更好的训练结果,但在实践中并不是所有的研究任务都可以获得足够的训练数据集。于是,使用少样本完成相关实验的生成对抗网络应运而生。近年来,少样本生成对抗网络在特定任务训练领域发挥了巨大优势,尤其是在图像处理方向。本文基于生成对抗网络,从少样本训练和多任务应用多个方向开展研究,具体内容归结如下:针对少样本生成对抗网络生成任务设计了一种新的模型,实现了利用一张图像完成整个训练。在模型中添加自注意力方法获得更多特征信息,采用谱归一化方法稳定模型训练,采用多尺度训练机制优化训练过程,提高训练效率。在Generation,Places,LSUN等公开数据集上进行验证,与当前先进的少样本模型相比,训练时间节省了87.43%,参数量减少41.80%,其余各种评价指标均改善显著。针对自注意力模型在生成模型应用中信息冗余严重的问题,设计了一种基于线性注意力机制的少样本生成对抗网络算法。该方法使模型结构更加轻量化,缩短了模型的训练时间,提高了特征信息学习能力和利用率,改善了模型的整体性能。在公开数据集上测评,线性注意力相较于自注意力在本文模型中的训练时间缩减了15.68%,生成图像评价指标均有改善。完成了少样本生成对抗网络的多任务应用实验,与传统生成对抗网络相比,该方法仅需一对网络便可以完成图像编辑、图像超分辨率生成、图像风格协调和动态图像生成多种应用任务。与已有的一对一任务模型相比,该模型在生成图像质量上完全不逊色,且对图像细节描述细腻,各种评价指标较之现有模型有明显提升。设计了一个类金字塔结构的少样本超分辨率重建模型,分阶段分步骤完成图像生成工作。为了保证图像在结构上与原始样本的一致性,在训练中按照一定规律对生成图像和样本图像进行比照校正。此外,分别实验了自注意力和线性注意力方法对模型性能的影响,使用多种公开数据集对模型性能进行测评,结果显示本文提出的基于少样本生成对抗网络的超分辨率重建方案取得了具有竞争力的结果。