图像生成的相关工作一直是计算机视觉领域的经典问题。随着近年来深度学习技术伴随着硬件革新的蓬勃发展,利用深度学习模型解决图像生成的各种问题一直是领域内的前沿热点,特别是对图像内容的属性可控生成技术探究更具有着广阔的应用前景。但是使用深度学习来探究属性可控生成的绝大多数方法都有着本质的局限性,最核心的问题是,大多数方法对损失函数与网络结构的改动,并没有考虑到对网络内部运行机理的探究,所以网络整体在外部看来仍然是黑盒的。这使得实验结果缺乏说服力,也难以针对性地根据内部原理对网络做出相应改进。少部分方法也尝试着在可解释性角度对网络进行设计改善,但无法给出具有完善因果结构支撑的,拥有直观简洁网络结构的因果探寻结果。考虑到上述工作的局限性,我们提出嵌套了结构化因果机制的因果矩阵生成对抗网络（CMGAN:A Generative Adversarial Network Embedded with Causal Matrix）,其通过施加了无环约束的额外网络层来还原多属性标签中各个属性特征之间的因果邻接矩阵,从而得到对应的因果有向无环图。这样一来,网络便可通过自主学习属性之间的因果关系,并由此生成多属性标签,实现因果层面的属性特征分离。尤其具有创新性的是,CMGAN还可以对数据的生成过程添加干预机制,在属性特征层面回答因果理论中的“要是”问题。同时,还可以将标签映射为图像,完成整个多属性标签图像可控生成的流程。论文主要完成的工作如下:（1）针对神经网络缺少解释性的特点,在生成对抗网络中引入了因果矩阵。探寻了矩阵在网络结构中的合适位置,并通过施加无环约束等训练细节使得该矩阵可以得到训练数据（如多属性标签中的各个属性）之间的因果关系,并以因果图的方式展现。（2）在因果矩阵得到训练的基础之上,实现了因果机制中的干预操作,从而可以将特定值赋予目标属性,同时不影响其在因果关系中的父属性,实现属性之间的特征分离。并可进一步接受多属性标签,并将其转化为对应的图片,且不需要额外复杂的网络结构,实现完整的图像可控生成流程。（3）对CMGAN的各组成部分,采用不同的数据集、度量指标与对比方法,在不同的功能角度设计并实施了一系列综合性实验,验证了所提出方法的有效性。