生成对抗网络(Generative Adversarial Networks,GANs)已经成为计算机视觉、自然语言和语音处理等领域中一个热门研究方向。然而,现有大多数GANs方法在数据分布匹配问题(如数据生成和多边缘分布匹配)中仍然面临一些挑战亟需解决。(1)数据生成问题旨在从先验分布中生成数据,使得生成数据分布匹配真实数据分布。这种先验分布通常独立于真实数据分布,因而可能丢失数据的语义信息。在现实中,语义信息可以从数据中学习某种隐分布来表示,然而这种分布很难在GANs中进行采样。(2)多边缘分布匹配问题旨在学习映射将源域分布匹配到多个目标域分布。现有方法难以度量不同域之间的多边缘分布距离和利用域间相关性来匹配目标域分布。针对数据生成问题,本文提出一种基于局部坐标编码的生成对抗网络(LCC-GANs)来匹配真实数据分布。基于数据流形假设,本文利用自编码器来学习数据流形以获取真实数据的语义信息。然后,本文提出一种采样方法在流形上建立局部坐标系,能够有效帮助LCC-GANs采样到有意义的样本点以生成新数据。在理论上,本文定义和推导出LCC-GANs模型的泛化边界,并证明一个低维度输入足以实现良好的泛化性能。最后,大量实验在现实数据集上证明所提出方法的有效性,而且生成数据的质量和多样性显著高于现有大多数GANs方法。针对多边缘分布匹配问题,本文提出一种基于多边缘Wasserstein距离的生成对抗网络方法(MWGANs)从源域分布匹配到多个目标域分布。基于最优传输理论,本文首先提出一种新的对偶形式来度量和优化多个域之间的分布距离。根据该对偶形式,本文提出一种新的生成对抗网络目标函数,能够通过满足域内和域间约束来利用域间的相关性以匹配目标域分布。在理论上,本文定义并分析MWGANs在多边缘分布匹配问题上的泛化性能,并推导出其泛化边界。最后,大量实验在现实数据集上证明了MWGANs在平衡和不平衡的翻译任务上的有效性。