图像翻译算法一直受到研究者的广泛关注。基于监督学习的图像翻译算法在超分辨率增强、图像补全、图像风格变换等领域得到广泛应用。这些算法大都采用基于深度卷积网络的编码-解码架构,得到了很好的效果,但是需要大量成对的训练数据,这极大地限制了其应用范围。在实际的图像翻译任务中,获得训练模型所需的大量成对图像非常困难,而且成本高昂。所以如何减少模型训练对于成对图像的需求,如何利用非成对的图像提升模型的性能是一个非常值得研究的课题。本文研究了基于生成对抗网络的半监督图像翻译框架,以期有效利用非成对图像信息。首先,针对原始生成对抗网络的缺点,提出了一种新的生成对抗网络算法:多尺度判别生成对抗网络,该模型能够改善原始生成对抗网络的生成效果。其次,通过借鉴机器翻译和图像生成领域的最新进展,提出了两种半监督图像翻译算法。第一种算法通过多尺度判别生成对抗网络将非成对图像数据应用于模型训练,利用对抗损失迫使生成器生成的样本去逼近目标图像,减少对成对样本的需求,提高了图像翻译的效果;第二种算法结合生成对抗网络和对偶学习来利用非成对数据训练模型,进一步提升了半监督图像翻译的效果。最后,将本文提出的半监督图像翻译算法应用到人脸去妆任务中。在多个数据集上的实验结果表明本文所提算法效果很好。