图像生成模型是当前研究的一个热点,广泛应用于图像合成、图像复原、图像修补等任务。但是,当前基于深度卷积神经网络的生成模型结构比较复杂,不易训练,而基于散射网络的生成模型（Generative networks as inverse problem with Scattering transforms,GSNs）虽然简化了模型结构,但是生成图像的质量不高,且在实现时出现了过拟合问题。针对上述问题,本文围绕GSNs生成模型针对静态RGB彩色图像展开了一系列研究,主要研究成果如下:（1）本文提出了一种针对分数阶散射网络输出特征的数据降维方式,并在图像生成实验中对比了主成分分析（Principal Component Analysis,PCA）数据降维方式和多维线性主成分分析（Multilinear Principal Component Analysis,MPCA）数据降维方式。本文提出的数据降维方式将分数阶散射网络分层输出的特征进行融合以达到数据降维的目的,该数据降维方式在本文实验的测试集中得到了较好的结果。实验表明,对于CIFAR-10数据集、CelebA数据集和FFHQ数据集,本文提出的数据降维方式相比于PCA方式,虽然生成图像的Train PSNR、Train SSIM降低9%～17%,但是Test PSNR、Test SSIM却提高5%～17%。此外,训练集和测试集的PSNR得分差异从原来22%～27%缩小至3.5%～6.7%,SSIM得分差异从原来18%～32%缩小至1.9%～5.6%。（2）本文将分数阶散射网络（Fractional Scattering Network,FrScatNets）引入到GSNs生成模型中,利用FrScatNets可连续分析图像时频域特征的能力,为本文图像生成模型寻找出更合适的分数阶参数。实验表明,对于CIFAR-10数据集、CelebA数据集和 FFHQ 数据集,当分数阶（α1,α2）=（0.40,1）、（α1,α2）=（0.70,1）、（α1,α2）=（1.30,1）、（α1,α2）=（1.60,1）时,FrScatNets提取的特征生成的图像较好。相比于GSNs生成模型,生成图像的Train PSNR、Test PSNR、Train SSIM和Test SSIM分别提升了0.3%～2.5%、0.9%～2.1%、2.1%～5.4%、2.8%～4.7%。（3）本文从多个方面对GSNs生成模型的生成器进行改进,在模型中对比了亚像素卷积层和双线性插值上采样方式,引入了残差连接,并在模型训练中使用组合损失函数替代单一的L1损失函数以提高生成图像的质量。实验表明,对于CelebA数据集和FFHQ数据集,引入残差连接的图像生成模型相比于GSNs图像生成模型,生成图像的Train PSNR、Test PSNR、Train SSIM、Test SSIM 分别提升了 0.6%～2.8%、1.3%～3.7%、0.4%～1.7%、0.9%～4.8%;而对于包含较小图像的CIFAR-10数据集,引入残差连接的图像生成模型,相比于GSNs图像生成模型,虽然Train PSNR、Train SSIM、Test SSIM分别提升了 2.6%～4.2%、2.7%～12%、0.6%～6.6%,但 Test PSNR 却降低了 0.4%～1.2%。实验表明,使用组合损失函数的图像生成模型相比于单纯使用L1损失函数的GSNs图像生成模型,生成图像的Train PSNR、Test PSNR、Train SSIM和Test SSIM分别提升了0.2%～2%、1%～3.4%、6%～12%、4.5%～11.7%。（4）由于FrScatNet可连续分析图像时频域内的特征,本文将其提取的不同特征生成的图像进行融合以提高生成图像的质量。实验表明,融合两张生成图像,相比于GSNs生成的单张图像,训练集和测试集生成图像的质量都有提升。对于CIFAR10数据集、CelebA数据集和FFHQ数据集,融合图像相比于GSNs生成的单张图像,Train PSNR、Test PSNR、Train SSIM、Test SSIM 分别提升了 2.8%～3.8%,2.4%～4.6%,3.0%～5.4%,2.9%～6.0%。