在现如今社会,图像在我们的生活中占据着非常重要的位置,图像处理有着很多的应用领域,这就使得图像处理相关方面的研究变得尤为重要。本文的核心内容是生成对抗网络（GAN）,它的出现给很多相关研究都带来了更多发展的机会,而且GAN在处理图像相关的任务时能有很好的表现,本文在此基础上对图像翻译进行研究。生成对抗网络的出现虽然给深度学习带来了更多发展机会,但它同时也存在一些问题,例如收敛困难、训练时间长、训练不稳定等,现存的很多算法模型仍存在一些无法很好解决且待研究的问题,包括训练稳定性、可解释性、泛化性等。本文基于生成对抗网络对图像翻译的内在原理和实际应用中所存在的问题进行了以下的研究:首先本文研究了基于无监督学习的图像翻译框架,为了提升输出结果图像的质量且能够减少训练时间,对Cycle GAN进行了改进。Cycle GAN是基于无监督学习的一种较为通用的算法,它的训练数据不再需要使用到成对数据,但同时也有一定的局限性,在生成图像和训练速度等方面可以进一步改善和提高,模型的训练时间也有待进一步缩减。本论文在Cycle GAN中引入Attention注意力机制,在Cycle GAN基础上改进了模型算法,利用注意力机制,在两个图像域之间建立一定相关性,这样使得模型能更快地学习到关键特征,同时对于生成图像的质量也有了保证,实验结果表明,该方法在学习速度、训练时间、生成图像质量等方面的性能都有了一定提升。其次本文提出一种结合隐空间解耦和条件信息的图像翻译算法,使得模型具有可解释的隐空间解耦能力。这种方法基于隐空间解耦,分离了不同图像域的风格属性信息和内容属性信息,同时加入域条件信息,能只用一个模型就实现多个域之间的图像翻译任务,这大大简化了网络,使得模型更加轻便。实验结果表明,该方法在进行多个图像域的翻译任务时是有效且可行的。