随着计算机技术的飞速发展,基于深度学习尤其是生成对抗网络的图像研究日益火热,在图像超分辨率、图像编辑等诸多应用领域都取得了较好的应用效果。然而,当下基于深度学习模型的方法通常是采用大数据集的训练学习方式,通过足够多的样本学习实现模型的性能优化,然后基于训练好的模型进行泛化应用。本文希望构建一个关于单张图像的学习应用模型,在训练过程中能够避免大数据集的训练要求,同时完成单张图像的特征学习和相关应用。SinGAN网络是近些年来提出的一个新兴的基于单张图像的生成学习模型,能够较好的完成图像特征学习与应用的目标。但是该网络模型的结构较为精简,在实际使用时会面临两个挑战:（1）仅采用卷积模块对于图像特征处理,无法根据需求增强对图像中重要特征信息的表达,模型的特征表达能力不足。（2）模型的输入图像随机多变,难以规律性捕获输入图像的内容信息与结构特征。针对这两个问题,本文提出如下解决方法:（1）在判别器模型中加入了注意力机制,从通道维度和空间维度两个方向增强模型对于输入图像中重要特征信息的关注与表达,从而增强判别器模型的识别能力。由于生成对抗网络采用对抗训练的方式,在提升判别器性能的同时,使得生成器更难“欺骗”判别器,有助于生成器更好的学习真实图像的特征,增强生成器的生成性能。（2）在图像生成过程中不再只采用常规卷积核提取图像特征,在生成器模型中引入了可变形卷积模块,在图像学习过程中可以调整模型的卷积视野和特征提取范围,有利于模型捕获图像的复杂结构和内容信息,提高图像的生成质量。通过实验验证,本文提出的模型能够较好的重建出高质量的图像样本,并且基于训练学得的模型,在图像风格变换与图像和谐化应用方面,取得了较好的应用效果。