纹理合成是计算机图形学领域的基础研究课题之一,随着多媒体技术的发展,纹理合成也在许多新型领域中得到应用,如游戏建模、电影渲染、虚拟绘制等。基于样本的纹理合成方法要求合成与样本图像尽可能相似的纹理,传统方法在实现这一目标方面取得了显著进展,然而对于复杂的纹理图案,已有的方法由于提取特征能力不足而导致合成结果错误。近年来,深度学习方法被广泛用于图像处理领域,然而,无论是传统的纹理合成方法,还是最近出现的基于卷积网络（CNN）和生成对抗网络（GAN）的纹理合成方法,都不能很好地处理纹理合成的真实性、细节不足、纹理结构扭曲等问题。基于此,本文围绕以下几个方面开展研究。1、提出基于生成对抗图卷积网络的非均匀扩展纹理图像合成算法。生成对抗网络虽具有良好的图像生成能力,但纹理特征提取并不充足,难以捕捉图像的全局特征,因此提出了一种新的图卷积网络（GCN）与生成对抗网络结合的纹理合成方法。由于纹理图像的纹理特性与各像素值之间的内在联系紧密相关,因此能够根据像素值之间的关系构建图结构,通过图卷积提取图节点特征从而获得各像素值之间的深层依赖关系,从而实现图卷积网络获取图像的图特征。而样本与合成图像应具备相似的图特征,基于此本文设计了一种图相似性损失度量样本图像与合成图像之间的内在图特征差异,并采用端到端的方式将图网络集成到网络框架中,将其与生成对抗网络结合,以解决已有方法存在难以捕捉非均匀纹理的全局结构的问题。2、为了优化大规模纹理合成和规则纹理合成,本文提出一种残差注意力模块,并引入生成器网络以优化网络的生成能力网络,注意力机制能够增强网络对图像关键信息和关键纹理结构的特征提取能力,以此提高纹理图像的细节合成能力,并帮助模型掌握大尺度纹理结构,减少大尺度纹理的结构扭曲问题。3、提出基于多头相互自注意力机制的均匀纹理合成算法。为了减少过度计算,提出一种针对均匀纹理的合成算法,有效解决了纹理合成中存在分辨率低、细节不充分等质量问题。由于传统的注意力机制并不能完全适应纹理合成任务,因此,本文提出多头相互自注意力机制,将其用于优化的生成对抗网络完成纹理合成任务。与自注意力不同的是,多头相互自注意力是建模特征空间各位置的相互影响关系,可以利用图像中所有特征位置的线索生成细节信息。因此,将多头相互自注意力机制嵌入生成器,有助于生成器提高提取细节特征和边缘特征的能力。4、实验证明,本文的基于生成对抗图卷积网络的纹理合成方法能有效解决非均匀纹理在扩展合成中存在的结构扭曲变形、图案错乱的问题。同时,能够将其应用于图像纹理迁移,该方法通过将纹理图像的纹理迁移到另一张内容图像上,从而合成不同风格的图像。此外,基于多头相互自注意力机制的纹理合成方法能够完整的保留纹理的细节信息,合成结果的真实感更强。