深度学习的突破使计算机视觉应用和图像生成技术获得了极大的进展。随着深度生成模型的引入,深度学习在图像生成领域取得了长足的进步。根据文本描述生成真实感人脸图像（Text-to-Face synthesis）在公共安全领域具有极大的发展潜力。这项任务旨在将描述性的文本语句转换为真实感的人脸图像,它不仅要求计算机理解文本所表达的语义内容,而且需要生成的人像图像信息与给定文本信息相匹配,这是一项非常艰巨的任务。由于人脸面部特征描述的复杂性和多样性导致脸部图像与对应的文本描述之间的联系要比常见的鸟类和花卉图像更弱,因此,在文本描述和面部特征之间找到令人满意的映射,是一个必须解决的难题。一方面,大多数文本到脸部的合成模型的文本描述只有包含几个形容词的单句,文本描述的缺失导致生成的人脸图像的面部细节不完整。另一方面,在文本—人脸图像合成（Text-to-Face synthesis）还存在着诸如生成图片质量不高、分辨率较低等问题。为此,本文针对现有文本—人脸图像合成领域存在的一些不足,提出了新的解决方案,主要工作和贡献如下:首先,针对现有文本—人脸图像合成模型中由于文本编码器处理复杂文本描述的能力有限导致编码语义不准确且编码效率较低,为了编码更准确的文本语义信息,进而合成更充分、更完整的人脸面部细节,在文本编码器部分使用一种新的文本编码方式——基于卷积—反卷积的单词级长短期记忆嵌入网络（Convolution-Deconvolution Word Embedding LSTM,CDWE-BLSTM）来处理复杂的人脸文本描述。该编码器从输入的词向量矩阵中获取语义特征,再生成和融合多个原型的过程中学习文本相关信息,然后将生成的结果送入BLSTM网络中,通过对文本编码过程的训练来实现对文本编码器参数的修改,从而将无监督的表征转移到有监督的模型的过程中。此外,为验证该模型在文本—人脸图像合成领域内的鲁棒性,本文将其与传统方法在COCO数据集和Face2Text数据集上进行了文本—图像特征分类任务以及文本—图像特征检索任务。最后通过横向对比实验充分验证了该方法在文本—图像合成领域能编码更有效的文本语义信息。然后,针对现有方法存在人脸图像生成网络训练难度大,以及合成的图像分辨率较低和面部细节不清晰等问题,本文提出了一种新颖的基于生成对抗网络的渐进式文本—人脸图像合成方法（Progressive Text-to-Face Synthesis with Generative Adversarial Network,PFGAN）,该方法采用多阶段GAN（Multi-Stage GAN）网络,由多个生成器和鉴别器以树形结构排列,生成器位于树型网络结构最深处的分支上,最终目标是根据给定文本描述渐进式生成真实感的人脸图像。具体地说,在树状结构中,网络的输入被视为树的根部,树的不同分支分别生成不同尺寸的人脸图像,对应的分辨率依次为:64×64,128×128,256×256。在训练过程中,首先根据句子向量合成低分辨率人脸图像,然后结合单词级语义信息和前一阶段合成的低分辨率图像,实现对当前阶段合成人脸图像的修改。本文联合训练整个网络,以适应图像分辨率不同但图像分布高度相关的情况。最终合成的人脸图像与输入的文本描述高度一致,并且在实验结果中没有模糊或不清楚的面部纹理存在。为验证本文提出模型的效果,我们在公开数据集COCO上与传统文本—图像合成方法做横向对比,通过IS（Inception Scores）、FID（Fréchet Inception Distance）等指标验证了本文提出的PFGAN的优越性。其次,在公开数据集Face2Text做了对比实验,从图像分辨率以及面部细节是否充分等方面验证了我们的网络在文本—人脸图像合成方面的有效性。综上,本文在对传统文本—图像合成模型研究的基础上,提出了新的渐进式生成对抗网络分阶段合成真实感的人脸图像,并且使用了新颖的基于卷积—反卷积的单词级长短期记忆嵌入网络作为文本编码器,大大改善了编码的准确性进而丰富了合成人脸图像的面部细节特征。同时,通过大量实验从IS、FID等指标以及图像分辨率、面部细节是否充分等方面验证了我们模型的有效性和鲁棒性。