面部表情生成是通过某种表情计算方法生成带有表情的人脸图像,在人机交互、影视制作和数据扩增等方面应用广泛。随着深度生成模型在图像生成领域的迅速发展,基于深度生成模型的面部表情生成技术得到了研究者们的广泛关注,在诸多深度生成模型中,生成对抗网络凭借着优秀的生成效果从中脱颖而出。现有的基于生成对抗网络的面部表情生成方法致力于解决两个问题:一是面部表情生成图像出现的重叠和模糊等现象;二是多角度面部表情生成的头部姿态问题。在本研究中,我们从提升面部表情图像质量和多角度面部表情图像生成两方面切入,提出了两种基于生成对抗网络的方法来实现高质量的面部表情生成。本研究的主要内容如下:1)针对面部表情生成图像会出现重叠、模糊和缺乏真实感等问题,本研究提出一种带有混合注意力机制组残差块的生成对抗网络（Group Residuals with Attention mechanism-Generative Adversarial Networks,GRA-GAN）用于生成高质量的面部表情图像。首先,在生成网络进行下采样前和上采样后分别嵌入混合注意力机制来自适应的学习关键区域特征,增强对图像关键区域的学习。其次,将分组的思想融入到残差网络中,设计了一种带有混合注意力机制的组残差块来实现更好的生成效果。2)针对头部姿态和多角度面部表情生成图像质量低问题,本研究提出一种稠密分组卷积生成对抗网络（Dense Group Convolution-Generative Adversarial Networks,DGCGAN）用于多角度面部表情生成。首先为了减轻头部姿态对于面部表情生成带来的影响,本研究设计了一种带有面部关键特征点定位的稠密分组卷积生成器,该生成器通过面部关键特征点定位确定面部角度。生成器结构受稠密卷积神经网络的启发,将每一层都与前面所有层连接,使网络具有更好的特征学习能力。其次,该生成器还将分组卷积融入到残差块中,进一步提升模型的效率和性能。最后,本研究设计了一种多分支结构判别器用于提升全局视野,加大了对于平均像素的约束,保证面部表情生成图像角度和内容正确,提升生成图像质量。本文针对两个模型的研究,均在公开数据集Ra FD进行了实验验证。实验结果表明,GRA-GAN模型和DGC-GAN模型分别在提升面部表情图像质量和多角度面部表情图像生成两方面具有优异的表现,在定性评估和定量分析指标上均优于相关方法。