卡通人脸生成在孤独症儿童干预以及短视频等领域有着广泛的应用。虽然基于卷积神经网络以及生成对抗网络的方法在卡通人脸生成方面取得了巨大的成就,但是经过卡通风格图像生成网络生成的卡通人脸仍然保留着自然风格而非卡通风格应有的纹理信息,比如自然风格人脸图像中的头发部分经过卡通风格图像生成网络后依然保留对应自然风格图像大量的纹理信息。因此,为了减小卡通风格图像生成网络生成的卡通人脸与手工创作卡通风格图像之间的差距,本文将图像熵融入到了卡通风格图像生成对抗网络中,并将其应用到基于卡通游戏的孤独症儿童干预系统之中。本文的主要内容和贡献如下:（1）通过对人脸自然图像和卡通图像的观察和统计,本文提出了人脸图像在卡通风格下的图像熵低于其在自然风格下的图像熵这一假设。针对该假设,本文提出了一种图像熵的计算方法,该方法规避了现有计算方法无法统计图像的空间特征和未考虑图像颜色通道间关联的缺点。在此基础上,本文计算了公共数据集中人脸图像在不同颜色空间下的自然图像以及对应卡通图像的图像熵;同时,为了充分利用人脸图像各区域的特征,本文还对人脸图像中诸如头发、眼睛、眉毛等各区域的图像熵进行了计算。实验结果证明,对于同一张人脸图像的自然风格与卡通风格而言,自然风格下的全局图像熵与其脸部各区域的图像熵也更高,符合预期的假设。本实验也发现图像熵可以用来对图像的整体结构以及某一区域的混乱程度进行约束。（2）本文提出了融合图像熵和生成对抗网络的卡通人脸生成算法IeGAN（Image entropy Generative Adversarial Network）。首先本文对卡通效果逼真的图像进行图像熵的计算,并将其作为经验值输入到IeGAN的生成器以及判别器中,而后训练IeGAN使其生成的卡通图像更加趋向于卡通效果逼真的图像。实验结果证明,融合图像熵和生成对抗网络后,生成的卡通图像更加符合人类对卡通风格图像的视觉认知。与其他卡通风格图像生成算法对比,本文所提出的IeGAN能够更好地将自然图像下的纹理信息转换到生成的卡通图像之中。（3）本文将提出的IeGAN算法应用到儿童孤独症干预领域,并设计了一个基于卡通游戏的儿童孤独症干预系统。为了使得生成的儿童卡通人脸更加逼真,本文通过收集和制作儿童人脸数据来对数据集进行扩充,随后利用成人数据集领域与儿童数据集领域相似的特征来对IeGAN进行迁移训练。此外,干预系统将孤独症儿童映射到数字世界中,并通过预先在本文儿童数据集训练好的IeGAN生成孤独症儿童自己的卡通人脸,将其应用于卡通游戏来对其进行干预。