深度学习使得人工智能再次掀起发展热潮,生成对抗网络是近几年来新兴起来的深度学习技术。生成对抗网络在图像生成、语音增强、视频预测等方面的成功应用使其备受学术和业界的关注。目前,生成对抗网络面临的主要挑战是稳定训练和找到纳什均衡,在图像生成任务中,解决这些挑战是为了生成更高质量的图像。现在常用的稳定训练方法是对判别器进行Lipschitz约束,但利用该约束的谱归一化方法存在生成的图像质量不稳定的问题。同时,一些启发式的方式也被用于提高生成对抗网络的收敛能力,这些方式是通过寻找纳什均衡来生成高质量的图像,而他们在实践中并不令人满意。为了增强生成对抗网络生成图像的质量和稳定性,本文基于L2范数从生成器约束和判别器约束两方面对生成对抗网络展开了深入的研究。本文选择L2范数约束而不选其他范数约束,是因为:与其他范数相比,L2范数更有利于权重更新;另外从生成对抗网络对每个样本的重视程度应相同的角度考虑,L2范数比其他范数更适合处理该情况。具体的工作如下:1)研究了基于L2范数的生成器约束方法。为了解决谱归一化方法生成的图像质量不稳定问题,本文提出基于L2范数的生成器约束方法。该方法通过对生成数据和真实数据的差进行L2范数约束,使得谱归一化方法生成的图像质量更加稳定。在实际训练过程中,该方法可以使生成器偏向生成一批在欧式空间与真实图像距离小的图像,本文将该方法在公共数据集上进行对比验证,实验表明对生成器进行L2范数约束可以稳定生成图像质量,在某种程度上还可以生成更高质量的图像。2)研究了基于L2范数的判别器约束方法。受到纳什均衡的启发,本文提出一种基于L2范数的判别器约束方法,该方法通过约束判别器的相对输出值,使得网络更好的收敛。虽然该约束与之前约束都是L2范数,但约束的数学形式和出发点不同,对判别器进行约束可以通过帮助判别器更好的收敛来生成高质量的图像。在公共数据集上的实验表明该方法可以有效地提高生成图像的质量,即使生成对抗网络无法找到纳什均衡,在一定条件下,该方法仍然具有优势。3)开展了提出方法的验证工作。为了进一步验证提出方法的有效性,论文在公共数据集上验证了本文提出方法的有效性外,还建立了外观设计专利数据集,并用不同的方法在该数据集上进行图像生成实验。结果表明,本文提出的方法在特定数据集上也得到有效的验证。