文本到图像生成任务的目的是将文本中描述的语义关系,运用图像生成技术转化为语义相关的图像,在文字配图、用户画像、交互式创作等方面具有极大的应用价值。随着生成对抗网络的兴起和快速发展,研究者们提出了很多不同的方法模型,不断地改善基于文本描述生成一般图像的质量。但是由于人物图像对人物的姿势、体态、外貌特征、纹理外观有着各式各样的要求,基于文本描述生成人物图像的研究在图像清晰度、人物姿态的保持或变换、人物个性特征维护等方面还有很大的提升空间。针对这些问题,本文基于生成对抗网络模型设计了两个新的生成模型并构建了一个新的数据集,具体如下:(1)针对现有的模型生成人物图像在姿势保持、特征不变性以及纹理细节上的不足,本文提出了基于空间结构自适应归一化的文本到人物图像生成模型。模型以多阶段的方式输出由低到高分辨率的人物图像。在前期阶段,模型引入自适应归一化,直接由文本信息映射到图像像素信息。后期阶段引入原始的人物特征,并不断地优化前面阶段生成的粗糙图像,细化纹理细节。通过在大型公开数据集Deep Fashion上进行实验,结果表明本文提出的模型有效的提升了生成图片的质量,保证了人物姿势与个性特征的不变性,颜色和纹理细节都更加细腻。(2)针对现有的模型无法生成多姿态人物图像的问题,本文基于生成对抗网络提出了分模块式的多姿态人物图像生成模型,将文本到人物图像生成与人物姿态转换进行了多模式的结合。本文设计了一个由四个模块组成的多模式时尚操纵网络,利用人物解析图将人物姿态转换与文本到图像渲染的过程分离开来。模型通过增加或减少相应的模块,不仅可以在固定姿势下生成人物图像,也可以指定任意姿势的生成人物图像。通过在大型公开数据集Deep Fashion以及自建数据集MPV-Text上进行实验,结果表明本文提出的模型有效地提高了生成人物图像的分辨率,生成图像的颜色和细节都更加细腻并且可以任意操纵人物姿态。(3)针对现有的文本-图像数据集图像分辨率较低、没有配对姿势的人物图像的问题,本文构建了一个多姿态的文本-人物图像数据集——MPV-Text。本文在MPV-Text上进行了更加充分的实验,验证了模型的可行性。数据集的构建与发布有利于推进相关领域的研究进程。