生成对抗网络是一种新型的深度生成模型,具有可以拟合任意复杂数据分布的超强建模能力,尤其在图像生成任务中展现了出色的性能,故一经提出就迅速在深度学习领域占领了主流地位。然而,生成对抗网络模型在集图像清晰、简单高效等众多优点于一身的同时也存在着不足之处,模式崩溃就是其面临的主要挑战之一。模式崩溃是指生成器生成的数据样本之间具有较高的相似性,即生成的数据样本集中分布在目标分布的部分模式上,多样性较差。模式崩溃问题也是当前大多数生成对抗网络模型不可规避的一种病态现象。基于上述存在的问题,本文的主要研究内容是缓解生成对抗网络模型中存在的模式崩溃现象,即增强生成器生成数据样本的多样性。具体工作概括为如下2部分:首先,在第一部分工作中提出了两种改进模型,即基于行列式点过程的零中心梯度惩罚生成对抗网络模型和基于判别器得分距离的零中心梯度惩罚生成对抗网络模型。其中,基于行列式点过程的零中心梯度惩罚生成对抗网络模型是在零中心梯度惩罚生成对抗网络模型的基础上引入了行列式点过程方法。该模型不仅有效避免了因判别器判别能力太强导致的梯度爆炸问题,而且利用判别器提取的特征构造行列式点过程内核,与真实数据分布信息建立联系,从而鼓励了生成器能够生成和真实数据样本具有相似多样性的样本。而基于判别器得分距离的零中心梯度惩罚生成对抗网络模型则是从两个方面进行了改进。一方面,通过采用最小化判别器得分之间的距离作为生成器的目标函数,引导生成分布与目标分布对齐,另一方面,对输入生成器的随机噪声通过重参化技巧进行了混合,增强了先验噪声的建模能力,更有利于拟合目标数据分布。然后,在第二部分工作中首先提出了一种基于零中心梯度惩罚的打包生成对抗网络模型（PacGAN-0GP）。虽然PacGAN模型比原始的生成对抗网络模型更容易检测到模式崩溃,但在PacGAN模型中同样存在由于判别器判别能力过于强大,导致生成器和判别器对抗失衡的问题。因此,在PacGAN模型的基础上引入了零中心梯度惩罚项,即PacGAN-0GP模型,该模型使得判别器在保持判别能力的同时具有一定的泛化性。然后,在PacGAN-0GP模型的基础上又进一步结合了第一部分工作中的行列式点过程方法,提出了一种更为完善的模型。最后,通过不同数据集上的实验验证了所提模型在缓解模式崩溃和提升图像质量等方面的有效性。