随着深度学习发展,尤其是生成对抗网络的提出,文本生成图像任务已成为图像生成领域的一个重要研究方向。文本生成图像任务要求提供一段文字描述,并生成符合文本语义的图像结果。文本生成图像方法中存在着网络训练不稳定、生成图像细节真实性与多样性不够等挑战。本文为提高图像生成的真实性与多样性,做了如下工作:首先,为实现稳定的细粒度文本到图像生成,本文提出了注意力与卷积归一化生成对抗网络。方法通过引入注意力机制的堆叠生成对抗网络实现图像生成,并在判别器的上采样模块中加入卷积归一化机制。通过多个的阶段生成器逐级实现高分辨率的细粒度图像生成,并通过卷积归一化稳定模型的训练过程,提高了图像生成质量。其次,针对文本生成图像方法网络过于复杂、缺少对文本重要信息关注的问题,本文提出了基于属性的分区条件融合文本生成图像方法。通过深度文本图像融合模块构建单阶段的生成对抗网络,并提出属性分区融合模块。属性分区融合模块首先提取出文本中的属性词,进而依据图像子区域与属性词匹配度对图像特征进行分区,对各分区使用相应属性词向量进行条件融合,增强图像与属性条件的深度融合。模型提升了生成图像的多样性与细节真实性。最后,针对具有多个对象的复杂场景描述文本,本文提出一种基于对象语义的深度融合生成对抗网络。模型的生成器包括两个并行的网络分支,分别为全局图像生成分支和局部对象生成分支。全局分支将整个文本句子作为约束条件,局部分支将对象标签与边界框作为约束条件。模型的判别器包括全局图像与局部对象特征提取分支,并结合两分支特征进行判别。模型由深度文本图像融合模块构成,实现了单阶段的复杂场景生成,并提升了对象特征的生成质量。