生成对抗网络是一种生成模型,它能够通过一种类似二人零和博弈的方式学习目标数据的分布。该网络自提出以来得到了非常广泛的关注和应用,也出现了大量的相关改进工作。在生成任务中,经常存在一些场景,在这些场景中除了真实数据以外,可以通过预先给定的机制或外部的程序来获得数据的某些额外的监督信息,而这些监督信息对于生成任务来说可能是具有指导意义的。近年来,已经有许多利用额外监督信息的生成对抗网络的模型被提出,然而,这些工作大多都是针对某一类特定的额外监督信息而言的,并没有工作对存在额外监督信息的应用场景进行分类和总结,也没有工作针对额外监督信息为约束的场景进行深入研究。如果能对存在额外监督信息的生成对抗网络应用场景进行划分,并对处理约束的方法进行归类研究,便可以为生成对抗网络的应用,尤其是存在约束形式的额外监督信息的情境下的应用提供便利。本文提出了两种分类方法对存在额外监督信息的生成对抗网络应用场景进行划分。第一种分类方法是基于额外监督信息类型的分类方法,在该分类方法下,额外监督信息可被分为三类:约束信息类型,数值信息类型和其他信息类型;第二种分类方法是基于额外监督信息确定性的分类方法,在该分类方法下,额外监督信息可被分为三类:显式信息类型,半显式信息类型和隐式信息类型。针对约束信息类型,通过将最优化领域的罚函数方法应用到针对额外约束信息的生成对抗网络的优化方法中,本文提出了基于罚函数的针对额外约束信息的生成对抗网络优化方法。为了更清楚的对比和分析,本文将所提出的方法和其他针对生成对抗网络中的约束信息的优化方法放在一起进行归类研究,分析并说明各方法的适用性。为了验证以上方法的有效性,本文通过设计模拟实验和真实实验来验证并分析各个方法的优缺点。实验结果表明,本文提出的方法相较于其他类型的方法能够提高生成满足约束的数据比例和对目标分布的模式覆盖率,且不会对原模型造成明显的损害。