图像翻译是机器学习图像处理中的一个重要领域。图像翻译就是把两个具有不同特征的图片域进行相应的转换,包括不同于域间的风格转换、物体变换、季节转换、图像增强等。按照传统方法,这些任务都是根据不同风格模式的图像间的内在差异分开进行处理的。在过去的几年里,通用的端到端的深度学习框架,最显著的是利用全卷积网络(FCNs)和条件生成对抗网络[2](CGANs)推动了图像翻译的发展,使得多种图像翻译问题可以得到统一的处理。经历了针对特定领域单任务的图像翻译到多领域多任务图像翻译的转变,从需要带标签配对的图像集到只需无标签非配对的图像集的转变,图像翻译过程越来越简单,功能却越来越强大。本文主要研究生成对抗网络(GAN)在图像翻译方面的相关模型及其在人脸数据上的应用。针对人脸照片和人脸素描间的图像翻译问题,本文基于对偶生成对抗网络(Dual GAN)模型,对其目标函数附加两个损失函数建立新的网络模型。通过参数优化实验不断优化本文提出的模型,从而找到最优参数;通过直观和量化对比实验表明本文提出的模型在人脸数据上的图像翻译效果无论在清晰度还是在保持面部特征方面是目前基于生成对抗网络的图像翻译模型中表现最优的,并对相关GAN模型的稳定性进行了对比;最后通过效果分析实验说明了所附加的损失函数的具体作用。