生成对抗网络作为一种重要的深度生成方法,它具有与输入数据维度线性相关的计算复杂度、不需要对目标数据分布做出任何先验假设、生成逼真样本的能力十分出色等显著优势。生成对抗网络已广泛应用在计算机视觉和自然语言处理等众多领域上,它可以生成各类真实的自然图像、文本、语音等数据。然而生成对抗网络存在的训练不稳定、生成结果存在模式坍塌现象等问题制约着其进一步地发展及应用。因此,改进生成对抗网络的研究及其应用不仅可改善生成各类图像和自然语言数据,还可启发和推动各类半监督学习和无监督学习任务,该研究对深度生成模型的更进一步的发展具有重要意义。本论文主要研究通过引入自注意力机制改进现有的生成对抗网络模型,以及生成对抗网络在多年龄段人脸衰老图像合成任务上的应用。本论文通过理论分析和实验验证等方式对生成网络的改进及应用进行创新性地探索,主要的创新点包含以下三个方面:1、针对现有的生成对抗网络生成图像的像素之间缺乏长程相关性的问题,本工作创新地对自注意力机制进行改进,并将它引入到生成对抗网络算法中。通过实验验证了利用自注意力机制可以建模像素之间的长程相关性,并且该机制可进一步提升生成对抗网络的性能。2、针对现有的自注意力机制建模像素之间的长程相关性能力弱的问题,本工作创新地将自然语言处理领域的Synthesizer自注意力机制进行改进,并将它引入到生成对抗网络算法中。通过实验验证该机制可以更好地建模像素之间的长程相关性,并更好地提升生成对抗网络的性能。针对现有的自注意力机制计算复杂度高的问题,本工作创新地对Linformer自注意力机制进行改进,并将它引入到生成对抗网络算法中。理论分析和实验验证都表明Linformer自注意力机制可以在保留其机制有效性的基础上,大幅度地改善自注意力机制的计算复杂度。针对现有的多头自注意力机制计算复杂度高与不同注意力头之间缺少联系和约束的问题,本工作创新地将动态卷积的思想引入到多头自注意力机制中,并提出动态多头的自注意力机制。通过实验验证该机制不仅可以大幅度降低多头自注意力机制的计算复杂度,还可以更进一步改善生成模型的生成效果。3、针对现有的生成对抗网络生成的多年龄段面部衰老图像缺乏个性化和多样性的问题,本工作创新地将循环对抗网络进行改进,并利用它生成逼真的人脸衰老图像。通过在循环对抗网络上加入辅助分类器,该模型可以完成多年龄段的人脸衰老图像合成任务。通过实验验证了本文方法在图像真实性、年龄准确性、身份一致性等相关指标上都可以取得很好的结果。