在自然界与现实生活中,纹理图像随处可见,研究人员对使用计算机合成纹理图像进行了深入研究,提出了很多纹理合成算法。在本文中,对于传统纹理合成算法以及基于卷积神经网络的纹理合成算法进行了研究与比较,发现了现有方法的不足之处:使用传统的纹理合成算法对于有的纹理种类不具有普适性,生成的纹理图像可能会模糊;使用现有的基于卷积神经网络的方法,由于现存方法的输入图像大小固定,网络结构固定,卷积之后需要将图像恢复成原始大小,或者使用Up Sampling扩大图像倍数,生成输入样本整数倍的图像,不能够生成多个尺度的纹理图像。因此,本文的研究动机便是利用卷积神经网络从给定样本合成多尺度的纹理图像。本文设计了一个基于卷积神经网络的纹理合成网络框架,这个框架包含了两个部分:第一个部分是纹理生成网络,第二个部分是损失函数计算网络。本文所构建的纹理生成网络模型是基于生成对抗网络（Generative Adversarial Networks,GAN）,其中包括了生成器和鉴别器。纹理生成网络的结果能够从图像的内部扩展到周围,从而使得生成纹理图像的尺度扩大为样本的任意倍数大小。在纹理生成网络模型中,生成器使用的是具有空洞卷积（Dilation Layers）的神经网络模型,鉴别器使用的是Patch GAN网络模型。在损失函数计算网络中,将改进的VGG-19作为了主要的模型。同时,本文设计了特征图最近邻匹配算法来优化损失函数,该算法称为swap算法。Swap算法可以在纹理图像特征图上进行运算,并在原始图像和生成图像之间进行纹理特征的匹配,最后再将经过最近邻匹配的特征图应用到损失函数的计算中。本文的方法在Describing Textures in the Wild（DTD）与Places365数据集上进行了实验。与其他现有的基于卷积神经网络的纹理合成方法相比,本文的方法在生成多尺度纹理图像上优于其他方法,并且也通过实验证明了本文方法的有效性。