图像合成在数据增强、图像修复、艺术创作等方面具有广泛的应用价值,是计算机图形学、计算机视觉等领域的重要研究方向。近年来,随着生成对抗网络（Generative Adversarial Networks,GAN）的提出,吸引了大量国内外学者参与研究,并且产生了众多优秀的科研成果,在图像合成任务中生成对抗网络相比于传统方法更加高效,因此,图像合成也是生成对抗网络最重要的应用领域。尽管生成对抗网络已经能够合成以假乱真的图像,但在跨模态的图像合成以及包含空间关系的图像合成方面仍然存在一些不足,合成的结果中容易出现伪影（Artifacts）。本文针对这些问题进行了相关研究,具体研究内容如下:（1）提出了一种姿态引导的属性可编辑的人体图像合成方法,针对现有的姿态引导的人体图像合成方法无法编辑人体图像的外观属性的问题,借鉴了虚拟试衣的思想对输入的参考人体图像进行语义分割得到不同部位的人体外观属性,然后,对需要编辑的属性进行修改后再输入到网络中即可合成具有目标姿态与源外观属性的人体图像;针对纯卷积结构的生成对抗网络在合成人体图像时会丢失衣服上的图案纹理等细节,使得最终合成的人体图像较为模糊的问题,提出了一种新的空间变换算法,该算法实现了对源人体图像的多个外观属性特征图进行空间变换,并融合为目标人体图像特征图的目的,同时还保证了各个外观属性可以单独编辑互不影响,以及在变换后的人体图像中保留衣服上的图案和纹理。实验结果表明,所提出的方法实现了对合成人体图像的外观属性和姿态进行同时控制的目的,并且相比于其他的方法具有更高的合成质量。（2）提出了一种二阶段语音驱动人脸图像合成方法,针对现有方法合成的人脸不够自然的问题,在第一阶段中对语音特征进行解纠缠（Disentanglement）得到说话人身份信息与语义信息,将解纠缠后的特征输入到编码器中以学习说话人说话时的面部动作特征,使得生成的人脸关键点包含丰富的头部动作信息,最终合成人脸的视觉效果会更加自然;针对现有方法合成的人脸容易出现伪影的问题,在第二阶段中将图像特征与第一阶段的语音特征相连接后输入到编码器中以学习空间注意力掩码,利用空间注意力掩码为图像特征分配权重,以消除人脸图像合成阶段可能产生的伪影,提高合成质量,最后,使用解码器合成目标人脸图像。实验结果表明,所提出的方法实现了更为生动的面部表情与动作的合成,相比于现有方法得到的结果更加自然,具有更好的视觉效果。（3）提出了一种二阶段语音驱动虚拟主播图像合成方法,第一阶段在上述语音驱动的人脸关键点生成算法的基础之上增加了基于时空图卷积的语音驱动手势关键点生成算法,使得所提出的方法能够同时从语音信息中学习到说话时的面部动作和手势动作,在第二阶段中使用基于特征空间变换的图像合成方法,以消除手臂移动造成的伪影,保证图像合成质量;针对现阶段没有统一的手势生成评估方法,提出了一种新的手势动作生成评估方法。实验结果表明,本文提出的方法能够同时生成自然生动的面部动作和手势动作,并且具有较高的图像合成质量。