对高维数据（如图像）的复杂生成过程进行精确建模是深度学习的关键任务。在许多应用领域中,变分自编码器（VAE）被证明对这项任务非常有效,具有解释和直接控制与数据生成中潜在隐藏因素相对应的潜在变量的能力。但是传统的VAE也有不足之处,那就是对于复杂的模型表现力较差,并且生成的图像往往比较模糊。本文将从改进模型目标函数和改变模型结构两个方面来解决上述问题。本文提出一种基于行列式点过程的变分拉普拉斯自编码器（VLAE-DPP）模型,将行列式点过程方法引入到变分拉普拉斯自编码器模型中,在原始目标函数的基础上添加了一项无监督惩罚损失,以此来提高生成图像的质量。VLAE-DPP模型利用行列式点过程（DPP）来捕获一个真实数据的类似多样性,然后通过从编码器中提取特征来学习核。最后,训练解码器优化核的伪、实、特征值和特征向量之间的损失,以鼓励解码器模拟真实数据的多样性,从而生成高质量的图像。本文还对原始的变分拉普拉斯自编码器的结构做了改变,在解码器的后面接入了一个判别器,称为对抗变分拉普拉斯自编码器（AVLAE）。原始的变分拉普拉斯自编码器使用平方误差作为重构的目标损失,这在一定程度上会影响生成图像的效果。本文提出的AVLAE模型利用判别器的特征表示来代替原始的重构误差,且判别器与解码器具有对抗学习的过程,从而可以提高生成图像的质量。实验结果表明,在多个数据集上VLAE-DPP模型和AVLAE模型都不同程度的解决了图像生成不清晰的问题,提高了生成图像的质量。