近年来,人工智能已成为了人们生活密不可分的一部分。随着科技的不断发展与进步,计算性能的不断提高,深度学习的发展更是迅速,而生成对抗网络作为深度学习的重要组成部分,在计算机视觉领域取得了众多成就。同时,在物质生活得到满足的当今社会,越来越多的人对动漫领域产生浓厚的兴趣,而生成对抗网络在动漫领域的应用也得到了更多人的关注,如人物图像的动漫风格迁移以及动漫头像的生成等。但是在动漫头像生成方面,仍然存在两个问题尚未解决。一是生成的动漫头像的质量较差,图像失真严重;二是模型生成的动漫头像多样性不足,风格单一化。针对上述问题,本文以生成对抗网络为基础,对现有动漫头像生成模型进行了详细的分析与改进,主要的研究内容如下:（1）介绍了本文课题的研究背景与意义,对图像生成模型以及生成对抗网络的发展现状进行了阐述。并且对本文所涉及模型的重要组成部分和理论基础进行了详细解读,为后续的研究改进打好基础。（2）针对深度卷积生成对抗网络（DCGAN）模型在动漫头像生成中存在的训练模型崩塌问题,引入Wasserstein距离替代网络中的JS散度作为衡量分布之间的标准,并对网络模型结构进行改进,提出了新的改进模型。在实现动漫头像生成的同时也在Celeb A人脸数据集对改进后的新模型进行了实验。实验结果表明,改进后的模型性能得到了提升,具有较好地泛化性,生成的动漫头像更加清晰。（3）针对边界均衡生成对抗网络模型（BEGAN）其在生成动漫头像质量不高的缺点,利用U-net网络结构在图像重构的优势,将U-net网络结构融入到判别器网络中,引入超参数对生成动漫头像的质量与多样性进行平衡。通过对模型的多次实验,探究了各个参数对模型生成结果质量的影响,证实了新模型的有效性。