生成对抗网络（GAN）通过对抗学习拟合真实样本分布,获得生成数据的能力,对人工智能的发展有重要意义。近几年,关于GAN的创新性研究越来越多,各种衍生模型不断完善与发展,被广泛地应用于图像领域,取得了很多突破性的成果。然而,GAN的本质是在两个神经网络的博弈过程中学习真实样本分布,其生成图像与真实图像没有绝对的对应关系且缺少明确的似然衡量,传统方法很难量化生成图像的质量。目前,针对GAN生成图像进行评价的研究相对较少,比较流行的指标还存在着许多不足,比如,GAN分数低的不确定性及对于预训练模型的依赖性等等,在一定程度上阻碍了GAN的规范性发展。因此,在此基础上开展研究具有非常重要的应用前景。本文基于GAN的基础理论和实际应用,研究了GAN及其衍生模型的原理、结构及发展,提出了新的GAN质量评价模型,并设计了评价GAN稳定性的指标。（1）为了定量评价GAN生成图像的真实性和多样性,对当前比较流行的GAN评价指标进行了分析,讨论了有参考价值和发展潜力的评价指标,提出了新的质量评价模型SEGQM（Squeeze-and-Excitation GAN Quality Model）。该模型利用SE-Res Net对图像进行分类,设计了两个分数,分别描述生成图像的真实性和多样性。在此基础上,确定生成对抗网络的综合性评价分数,设计了一个评价指标三元组SEGQI（Squeeze-and-Excitation GAN Quality Index）。实验结果表明,与Inception Score、Fréchet Inception Distance和GQI指标相比,SEGQI指标能够客观并全面地评价生成图像的真实性和多样性,对GAN的设计和发展有十分重要的指导意义。（2）为了更好地检测GAN模型的稳定性,对GAN不稳定性的原因及训练过程中存在的问题进行了讨论,详细分析了常见的模式崩溃现象,从图像相似度的角度出发提出了一种基于孪生网络的稳定性评价指标。相似度度量模型使用特征提取网络提取图片特征,利用孪生神经网络的思想拟合图像的平均特征距离,得到图像之间的相似度。通过计算生成数据集和真实数据集的类内相似度之比和类间相似度之比,设计了一个稳定性评价指标GSI（GAN Stability Index）。实验结果表明,稳定性评价指标GSI可以检测GAN模型是否产生了模式崩溃情况,反映了模型的稳定性。