在大数据时代,单纯地从大量图像资源中搜索所需的图像已经无法满足人们的生活需求,如何根据人类的语言描述创造出适应特定需求的图像受到了广泛的关注。近年来,随着生成对抗网络的快速发展,文本生成图像任务取得了重大突破。然而,文本解析的困难以及图像和文本之间存在的语义鸿沟,导致文本生成图像仍然难以得到令人满意的效果。在文本生成图像任务中存在两个主要挑战,一个是视觉真实性,根据有限的文本描述很难生成具有丰富细节的图像;另一个是语义一致性,难以建立文本语义和视觉特征之间的一致性关系。本文针对上述问题进行了更加深入的研究,主要研究内容如下:(1)针对同一图像对应的不同句子生成图像之间存在视觉差异的问题,本文提出了一种基于注意力的多句子辅助文本生成图像算法。以往的方法在生成过程中都只关注于一个句子和图像对,忽略了句子和图像之间的一对多关系,使得模型无法学习到同一图像对应的多个句子之间的语义关联,进而导致语义相同的句子生成的图像之间存在较大视觉差异。因此,为了同时考虑一个图像和多个句子之间的语义关联,本文提出了一个单句生成-多句判别的生成判别模型,在生成阶段利用单个目标句子来生成不同分辨率的图像,以确保网络学习到目标句子中包含的特定语义。在判别阶段,使用多个不同的句子作为条件辅助判别,以保证目标句子生成的图像和多个语义相同的句子都保持语义一致,进而保证不同句子生成图像之间的语义一致性。同时,为了生成更完善的细节,本文提出了一个基于双重注意力机制的细节增强模块,进一步获得更细粒度的图像。通过在两个细粒度数据集Oxford-102和CUB上进行的实验证明了该方法的有效性。(2)为了进一步提高生成模型的性能,本文提出了一种渐进式负样本学习机制。负样本学习是加速算法收敛和提高模型性能的重要手段,以往大多数方法都是随机选取一幅图像作为负样本,但是这样选取的负样本过于简单,很难起到辅助训练的作用,因此本文探究了多种不同的基于检索的负样本选取机制。同时,在此基础上提出了一种新的渐进式负样本训练策略,将负样本划分成不同的困难等级,在训练中逐渐提升负样本的难度,以提高模型性能,进而获得更高质量的图像。通过在两个细粒度数据集Oxford-102和CUB上进行的实验证明了该方法的有效性。