随着深度学习任务领域的细分和深入,神经网络的结构日益复杂。为了确保复杂模型的可靠性,对模型进行可解释性研究已经成为深度学习研究中不可或缺的重要环节。而生成对抗网络近年来在诸多领域有着广泛应用,包含但不限于风格迁移、语义分割、图像生成等计算机视觉领域,因而对生成对抗网络进行可解释性研究具有重要意义。但现有的基于生成对抗网络的可解释性研究仍存在着不少如模型不稳定、优化困难等问题亟待解决。在本文,我们主要探索生成对抗网络的可解释性研究,一方面希望为生成对抗网络提供更多的解释性以获得更可靠可控的模型;另一方面,生成对抗网络中的可解释性研究也可以推动深度学习可解释性研究的发展。本文主要研究基于生成对抗网络的表征解纠缠学习和显著性可视化,本文的主要创新点包含着以下三个方面:1、首先,我们提出了生成对抗网络在无监督表征解纠缠领域的新方法。我们受到解纠缠学习定义的启发,引入了对比损失,从一个新的角度探索了生成对抗网络的解纠缠能力,并在多个常见数据集上验证了所提出的模型的解纠缠效果;同时,理论的分析和实践的验证表明,所提出算法的图像质量和图像多样性相比其他算法有显著提升。2、其次,我们设计了在更复杂数据场景下的生成对抗网络的表征解纠缠的新范式。我们发现使用难样本采样能够进一步挖掘模型的解纠缠潜力,且利用极少量的真实标签可以显著提高解纠缠性能,由此我们提出了一种新的实验范式,从而对少量的真实标签信息进行更好地利用,并在多个数据集上验证了方法的有效性。3、最后,我们提出了生成对抗网络中生成图像的显著性可视化的新方法。我们构建了一种两阶段的算法框架,第一阶段引入多层次的区域对比损失对现有的基于生成对抗网络的显著性检测算法进行改进,其充分利用了图像对之间的特征对应关系,相较于原方法在多个数据集上的评测指标均有显著提升;第二阶段则使用预训练的显著性检测模型辅助生成对抗网络的图像生成过程,并得到生成图像的显著性可视化结果,从而展示生成图像中受到网络关注的显著性区域。