生成对抗网络（Generative Adversarial Networks,GAN）是加拿大蒙特利尔大学的Ian Goodfellow等人在2014年提出的机器学习架构。自提出以来,便受到了深度学习领域研究人员的广泛研究,该架构在图像生成领域取得了巨大的成就。尽管图像生成模型取得了巨大的进步,但其仍然存在生成图像多样性不足、生成的高分辨率图像质量差、模型优化需要大量训练数据等问题。大量的研究人员针对GAN网络模型提出了各式各样的改进措施,以提高GAN网络模型在图像生成任务中的性能。生成艺术是图像生成的研究热点,是计算机文化下产生的一种艺术形式,是科技与艺术融合的结果,不仅具有科研价值,更具有艺术价值。本文基于生成对抗网络的循环监督式图像生成算法框架,针对多视角图像生成、小样本汉字字体生成、数字油画图像的超分辨率任务,提出了以下图像生成工作:1)在多视角图像生成任务中,我们提出Cycle CVAE-GAN模型。我们以基于深度学习模型中的生成对抗网络、变分自编码器（Variational Auto Encoder,VAE）及其变体为基础,引入循环监督式的模型架构,采用VAE-GAN级联架构,先以VAE网络模型为基础生成低分辨率结果,再以GAN网络模型为基础生成高分辨率结果,再利用循环一致性监督模型的生成结果。2)在小样本汉字字体生成任务中,我们提出OCFGNET（One-reference Chinese Font Generation Net）模型。我们以字体风格编码器和字体结构编码器对汉字字体字库建立字体风格和字体结构编码隐空间,随后采用字体融合解码器生成目标字体字符结果,并同样采用循环一致性监督模型进行生成结果的优化。3)在数字油画图像的超分辨率应用中,我们提出SUISR（Self-reference Unsupervised Image Super-Resolution）模型。我们以基于循环一致性的无监督图像超分辨率模型为基础,无需成对训练数据,通过对图像进行下采样-上采样、上采用-下采样操作,对模型进行循环监督式优化,并采用生成对抗网络对随机裁剪的低分辨率、高分辨率油画块进行判别,保证高分辨率数字油画仍然保持原有分辨率的画布纹理以及绘画笔触。