在当前计算机视觉领域,针对人脸的分析研究有助于计算机理解人类情感,从而更好地为人类服务。面向人脸的图像合成任务是指对目标属性进行转换,同时保留其他面部特征。然而由于人脸的特殊性和复杂性,生成具有真实感的图像是此任务的一大挑战。传统图像合成方法缺乏针对性,并且基于深度学习的人脸图像合成算法通常采用一对一的映射网络,合成效率也不高。本文在现有人脸图像合成算法的研究基础上,对多任务增强生成对抗网络的图像合成进行研究。首先,构建多任务学习框架,先后提出基于注意力机制的双域生成对抗网络和层次化残差掩膜优化网络,以改善人脸合成图像的质量和稳定性。并在两个人脸数据集上分别进行训练和测试,通过定性定量地分析和评估,验证算法的有效性,主要工作包括:（一）简要介绍了图像翻译和人脸图像合成的基础知识,研究了几种具有代表性的图像合成算法,在此基础上对人脸图像合成网络进行研究。（二）论证了提取频率域特征信息对图像合成的作用,并以此提出了一种基于注意力机制的双域生成对抗网络。针对现有方法只关注空间域信息的局限性,该网络结构中的双域卷积模块同时提取图像的空间域信息和频率域信息进行处理,保持图像在空域和频域两个不同维度上的优势,从而共同指导图像信息的合成过程。同时为了更充分的利用提取到的特征信息,将多尺度注意力机制嵌入双域生成对抗网络中。其中多尺度卷积算子自然地学习从粗粒度到细粒度的多尺度特征,以得到更丰富的特征信息图作为输出。最后通过在Celeb A数据集上进行对比实验,证明了该网络在人脸图像合成任务中的有效性和可行性。与文中提到的基线方法相比,本方法充分挖掘了原始图像中的信息,提高了合成图像的多样性。（三）为了进一步提升合成图像的质量,提出一种层次化残差掩膜优化网络。针对人脸的特殊性和复杂性,本文研究利用掩膜图像策略计算网络训练过程中不同层次特征图之间的残差作为掩膜信息,并以长连接的方式逐步注入网络。将计算得到的多层次掩膜特征融合到一起,即可输出最终的合成图像,以此达到保留人物面部原始结构信息的目的。在Celeb A数据集和Ra FD数据集实验得到的结果证明本方法对于保持人物的特征一致性非常有效。本研究中提出的两种图像合成算法,在多项指标上均优于现有模型。为后续针对人脸合成的研究提供了新思路。