文字图像生成是一种跨模态的交叉性任务,文本描述的逐词含义和图像子区域语义信息之间的内容关联性与一致性,是此任务关注的核心问题。生成对抗网络在图像生成领域的成功使得文本图像生成模型有了新的驱动力,从不同角度进行技术革新的文本图像生成模型层出不穷。文本图像生成主要围绕三大技术问题:语义理解、图像生成和语义一致性。本文以这三大问题为方向,探究现如今基于生成对抗网络的文本图像生成模型的优势与不足之处,分别提出了合理且高效的改动方法,最终设计出性能更加优越的模型结构。本文主要的研究成果如下:（1）提出了一种增强的多阶段注意力文本图像生成模型。本文从语义一致性增强和图像质量增强方面对现有多阶段生成模型给出了改进方案。针对前者,首先提出了基于图像区域和文本单词间的空间注意力和基于特征通道和文本单词间的通道注意力的双重注意力机制,加强图像和文本的语义关联;接着提出了分块条件匹配判别器,用以确保生成图像每个区域块与文本语义匹配性以及区域块本身的真实性与自然性。针对后者,提出了基于残差结构的多阶段图像生成器来降低网络的学习负担,并且引入了稠密特征感知损失来控制图像中与文本不相关区域的随机性。（2）提出了一种基于样式的单阶段注意力文本图像生成模型。本文将多阶段生成模型化繁为简,结合了基于样式的StyleGAN模型生成器的优势,并将其重新设计为条件控制的文本图像生成网络。该模型在生成器中加入了图像与文本的空间注意力机制,并在目标函数上引入了平滑损失函数超平面的匹配感知零中心化梯度惩罚项,保证图像文本的语义一致性,同时还构建了单路判别器来有效地配合梯度惩罚项。针对图像内容所缺失的约束,提出了关注图像质量的视觉特征匹配损失。本文在CUB和MS-COCO两个数据集上对上述模型开展了大量实验,通过对客观评价指标值的比较以及生成图像细节的主观分析,证明了本文所提出模型的有效性和优越性。