图像到图像的翻译是计算机视觉中一个重要且具挑战性的问题。目前,图像翻译在人脸属性转换、风格迁移、图片上色等领域已有广泛应用。生成对抗网络能够有效利用数据进行训练,模拟出逼真的真实图像分布,已成为图像翻译技术研究的热点。基于生成对抗网络的图像翻译算法主要有监督图像翻译和无监督图像翻译两种方法。本文研究的内容是基于生成对抗网络的无监督图像翻译。目前,基于生成对抗网络的无监督图像翻译任务主要面临两个挑战:一是双域图像翻译质量欠佳,很难生成高质量、纹理清晰的翻译图像;二是多域图像翻译缺乏多样性和风格信息融合不充分,很难通过一个简单的模型实现模型的多样性表达。本文针对上述两个方面展开研究。首先,针对现有图像翻译模型细节信息获取不充分造成图像翻译质量不佳问题,本文设计了一种基于改进dual GAN的双域图像翻译模型。为了让生成器具有更大的感受野以学习到图像更多的细节信息,将生成器中的卷积用膨胀卷积替换;同时采用双鉴别策略与生成器进行对抗训练,主鉴别器负责对全局信息进行鉴别,副鉴别器主要对局部纹理信息进行鉴别,双鉴别器分工合作使得模型的鲁棒性更强,鉴别器对目标的判别更明确。最后,为了防止翻译图像出现边缘不清晰,产生错误像素块的问题,在损失函数中引入了边缘一致损失函数,有效的解决了伪影现象。最后通过实验验证了改进dual GAN的图像翻译模型在提升图像质量方面的有效性。其次,针对现有图像翻译模型存在的多样性表达不足和特征融合不充分问题,本文设计了一种基于特征分离的多域图像翻译模型。通过由编码器（包括内容编码器和属性编码器）、特征融合器、鉴别器组成的一个模型就能实现多个域的图像转换。主要创新点有:为了提高编码器对内容特征的提取,在内容编码器中添加密集连接层;同时为了更好的将图像映射到目标域,通过域信息提取器来提取域信息,从而在特征融合过程更好的将内容特征和属性特征融合。鉴别器我们继续采用之前设计的双鉴别策略。最后通过和MUNIT模型对比,验证了改进模型能够生成质量更高且更多样化的结果。最后,本文设计了一个图像翻译仿真系统,利用本文设计的算法,可直观地展示图像翻译结果。