在互联网时代,人们获取图像的方式主要是通过搜索引擎在数据库中进行检索,但由于一句话可能对应很多不同的图像,所以很难找到想要的图像。随着人工智能技术的突破创新,文本到图像生成任务也具有了一定的可行性。文本到图像生成是一项涉及了自然语言处理与计算机视觉的跨模态任务,该任务的目标是不仅要保证生成的图像真实,而且要保证生成的图像与给定的文本描述语义一致。近年来,研究者以生成对抗网络（Generative Adversarial Networks,GAN）为基础,提出了一系列文本到图像生成模型,但由于该任务的复杂性,文本到图像生成模型的性能还有很大的提升空间。本论文为进一步提高模型的有效性,分别对现有模型的生成器以及判别器进行重新设计,具体研究内容如下:针对传统堆叠式生成器生成图像质量低且与文本描述不匹配的缺点,提出了一种基于语义融合的生成对抗网络（Semantic Fusion Generative Adversarial Network,SF-GAN）。主流的文本到图像生成模型都采用堆叠式的结构生成高分辨率图像,而这种结构容易导致生成的图像中存在伪像,并且这些模型只是简单地将句子向量与噪声向量串联作为生成器的输入,未充分利用文本描述,容易导致生成的图像与给定的文本描述不匹配。为了缓解这些问题,本论文所提的SF-GAN采用流线型生成器结构生成高分辨率图像。SF-GAN生成器中的基于语义的仿射变换模块（Semantic-based Affine Transformation Module,SATM）和基于语义的联合注意力模块（Semantic-based Joint Attention Module,SJAM）都可以从通道以及空间维度充分融合语义信息,使生成的图像更加符合给定的文本描述。通过在CUB公开数据集上的实验证明,相较于主流的堆叠式文本到图像生成模型,SF-GAN生成的图像更加真实、清晰,并且与给定的文本描述更加匹配。针对传统全局判别器无法对图像局部细节进行判断的缺点,提出了一种基于编解码结构判别器的生成对抗网络（SF-GAN-V2）。传统的文本到图像生成模型的判别器只能判断全局图像是否真实,无法对图像中的局部区域进行判别,从而导致生成的图像虽然整体符合语义,但是具体细节不清晰、不真实。为了缓解该问题,本论文所提的SF-GAN-V2使用编解码判别器代替原始判别器,并且为了融合高低级语义,SF-GAN-V2使用跳跃连接的方式连接编码器与解码器。编解码结构判别器不仅能够判断全局图像的真假,还能判断图像中局部区域的真假。此外,为进一步提高编解码结构判别器的定位能力,SF-GAN-V2还通过Cut Mix数据增强合成图像来训练模型。在CUB公开数据集和COCO公开数据集上的实验表明,SF-GAN-V2生成的图像更加清晰,局部细节更加准确。