生成式对抗网络（GAN）是一种重要的生成模型,在图像生成等任务上有广泛的应用。但是保证GAN的可用性的前提是对其结构进行精心设计。为此,工程师花费了大量时间和精力用于设计GAN的结构。而近年来,神经网络结构搜索（NAS）技术的提出使得GAN结构的自动优化成为了可能。但是,大多数NAS方法的搜索对象都是分类网络,而针对GAN的结构搜索目前研究非常有限。而GAN自身存在结构对其性能影响大、性能测试结果不确定性大、性能测试时间长的特点,这决定了在搜索对象为GAN时,NAS方法需要进行相应改造。因此,本文的主要工作是改进面向GAN的NAS方法。考虑到AutoGAN算法是面向GAN的NAS中的经典方法,本文的所有工作都在其上展开。考虑到AutoGAN算法忽视了前序单元中候选网络之间的性能差异,本文在AutoGAN算法的基础上提出了Improved AutoGAN算法。分析发现前序单元中候选网络的结构会影响网络的整体性能。因此,在结构搜索过程中,与随机选择前序单元候选网络的AutoGAN算法相比,Improved AutoGAN算法使用梯度Bandit算法进行选择,以增加选择高性能网络的概率。Improved AutoGAN算法还引入了温度系数,以防止搜索结果陷入局部最优。在CIFAR-10数据集上,使用与AutoGAN相同的搜索空间对GAN进行搜索,得到的GAN的FID值达到了11.60,超过了AutoGAN算法。且搜索结果具有理想的迁移性。考虑到AutoGAN算法的控制器易于受到误差较大的评价结果的干扰而引起搜索方向的偏离,本文在AutoGAN算法的基础上提出了Stable AutoGAN算法。首先证明了在控制器的训练过程中,使用随机采样代替依概率采样不会影响控制器的训练效果。在此基础上,通过多控制器模型增强了控制器的健壮性。在搜索过程中,各个控制器独立学习采样策略。同时,引入可信度得分用以衡量各个控制器的训练效果,并根据可信度得分决定各个控制器的使用频率。在CIFAR-10数据集上多次重复AutoGAN算法和Stable AutoGAN算法的搜索过程,发现Stable AutoGAN算法得到的GAN的FID值的标准差约为AutoGAN的1/16,且FID值与AutoGAN相似。考虑到AutoGAN算法搜索时间过长的问题,本文在AutoGAN算法的基础上提出了Efficient AutoGAN算法。指出了AutoGAN算法搜索时间长的主要原因在于候选网络性能的测试时间过长,而在不缩短测试时间的前提下,缩短搜索时间的关键在于减少测试次数。为此,引入了一个性能预测器用于预测候选网络的性能,以代替真实的测试过程。性能预测器的主体是图卷积网络（GCN）,且融合了经嵌入操作处理的前序单元结构信息。实验表明,Efficient AutoGAN算法节省了近一半的搜索时间,且搜索结果的性能与AutoGAN算法相当。