随着人工智能的发展,文本生成图像越来越引起人们的广泛关注,它主要实现的功能是将文本描述中的语义关系通过相关图像还原技术生成语义相关的图像。近年来,越来越多的生成对抗网络模型被提出,在文本生成图像方面取得了越来越好的效果,基于生成对抗网络模型的文本生成图像已经成为深度学习领域的研究热点之一。生成对抗网络的架构由生成器和判别器两种结构组成,它们二者共同决定了文本生成图像模型的各种性能,其中判别器使用卷积网络对图像特征进行提取,而卷积网络在考虑底层对象之间的空间关系和提取远距离的像素特征方面具有很大的局限性,因此,本文主要做了如下两方面的工作:1.针对生成对抗模型中的判别器使用卷积网络提取图像特征导致无法考虑到底层对象之间的空间关系的问题,提出了将判别器中的卷积网络替换为胶囊网络的思路。首先使用生成器将全局向量进行还原,即解耦,便能得到生成图像;接着将(正确文本,正确图像)、(错误文本、正确图像)和(正确文本,生成图像)三种类型作为判别器的输入,首先经过初级胶囊层对特征向量进行组合,然后经过第二胶囊层对文本向量和图像向量的匹配度进行判断,对得到的向量求它的模值,模值越大,表示匹配度越高;最后,经过博弈过程,判别器和生成器达到最优后,将文本描述输入生成器来生成图片。通过实验分析和结果表明,该方法能有效提高生成样本的多样性,同时它也能使得真实图像的数据分布和生成图像的数据分布之间的距离变小,从而使生成的图像更逼近真实图像的分布。2.针对生成对抗网络模型中文本生成的图像的特征单一性的问题,本文同时将注意力机制引入到生成器和判别器来解决此难题。该模型对判别器和生成器的结构进行了改进,主要是改进了二者的损失函数的同时将注意力机制融合进生成器和判别器中,使得模型能够生成质量更好的图像样本。通过实验分析和理论证明,该方法有效提高了生成样本的多样性和质量,也使得生成图像更符合人类的视角。