根据文本自动生成图像有广泛的应用基础,例如文字联想图片、文字自动配图,以及通过文本存储代替图像存储实现图像压缩等。同时该研究还能有效推动视觉和语言的跨模态学习和推理的研究进展。在医学领域从诊断报告生成病例图像可以为医生提供疾病诊断的参考,也可以一定程度上解决医院定期删除数据造成的对过往病例图像查询困难的问题,为医院节省存储资源。目前所有的文本到图像生成研究都基于自然图像,由于自然图像追求内容的丰富性,目前存在的方法都只对生成图像内容进行较弱的约束,这导致生成图像的内容十分容易产生形变。而这种形变在对图像质量有着高要求的医学领域是不能接受的。因此,本文提出基于内容保持与注意力机制的生成对抗网络来保持生成的医学图像的内容及纹理细节的真实性。同时大多文本生成图像算法都较为复杂,在保证模型参数不增加的情况下,如何更好的挖掘和利用文本特征来提升生成图像的质量,是该方向的研究重点之一。因此本文基于生成对抗网络,结合注意力机制与密集卷积结构,提出了基于密集连接与注意力机制的生成对抗网络,提升对文本特征与注意力特征的利用率,使得生成图像与文本描述更加一致的同时内容更加丰富。本文图像生成文本研究工作如下:1.针对诊断报告生成医学图像时容易产生形变的问题,避免生成医学图像时产生形变,本文提出了基于注意力机制与内容保持的生成对抗网络,来保持生成图像的纹理细节与真实图像一致。该模型结合了生成对抗网络、注意力机制与内容保持损失来优化生成图像的质量。注意力机制使得生成图像的内容与诊断报告描述更加一致。内容保持损失从浅层与深层特征两方面优化生成图像的纹理细节,使图像的病理细节更加真实。在超声数据集和Open-i数据集上进行了实验,评价了生成图像集和真实图像集的分布一致性。在超声数据集上两个客观指标GAN-test和GAN-train比最好的方法分别提升了10.88%和20%。在Open-i数据集上两个客观指标GAN-test和GAN-train相比于最好的方法分别提升了24%和11.58%。2.为进一步利用文本特征与注意力特征,使生成图像的内容与文本描述更加一致,同时提升生成图像的内容细节,本文提出基于密集连接与注意力机制的文本生成图像生成对抗网络。该算法模型结合密集卷积结构使得模型在每一层都可以自适应的通过文本的浅层特征、深度特征与注意力特征迭代地补全图像。分别在集鸟类数据集（CUB）和复杂自然场景数据集（COCO）上进行主观和客观评价实验。在CUB数据集上IS指标相比于Attn GAN提升了2.06%,FID指标相比于最好的方法提升了25.23%。在COCO数据集上IS指标相比于最好的方法也提升了18.67%,FID指标相比于最好的方法提升了5.84%。3.分别设计并实现了医学图像和自然图像上的文本生成图像仿真系统。对于两个系统,用户在设置完超参数后,系统自动输出对应的图像。从文本生成医学图像的仿真系统支持从诊断报告生成肝胆肾三个部位的超声图像和肺部的X光图像。从文本生成自然图像的仿真系统支持鸟类图像与复杂自然场景图像的生成。这两个系统为将来的研究提供了一个易于扩展的平台。