随着深度学习的不断发展,计算机视觉以及自然语言处理领域上的研究取得了巨大的进步,文本生成图像作为上述两个领域间的跨模态任务同样受到研究人员的青睐。文本生成图像是依据描述性文本生成其对应图像的任务,该任务的核心是确保生成图像真实自然并且与文本具有语义一致性,其中语义一致性尤为关键。生成对抗网络自提出以来在各个生成研究上得到应用,在文本生成图像研究上也同样不例外。目前该研究虽然通过使用生成对抗网络取得了一定的进展,但是依然存在图像真实性较低及语义关联程度有待提高的问题。因此,针对目前存在的问题,本文主要进行了如下的研究:1)为提高生成图像的真实性以及语义一致性,提出了交叉注意力机制及全局局部判别器生成对抗网络。网络中采用了交叉注意力机制,确保低像素图像质量以期提高生成图像真实性;为不同像素图像设计了全局及局部两种判别器,从而更好地判断图像是否具有语义一致性。在CUB200-2011以及Oxford-102两个数据集上的实验结果表明,该网络在提高图像的真实性以及语义一致性上具有较好的表现。2)为进一步提高生成图像的语义一致性,在第一部分工作基础上加入语义一致性鉴别模块。该模块主要由两部分构成:图像字幕网络以及Bert孪生神经网络。图像字幕网络用于产生与生成图像相对应的描述性文本,Bert孪生神经网络用于计算原文本及生成文本间相似性,该相似性为生成器添加额外约束。实验表明,该方法相较第一部分能够提升图像的语义一致性,并且在IS、FID评价指标上取得了进步。3)为继续提升第二部分网络的生成能力,在上一部分工作基础上对生成器进行修改,使用语义掩码模块代替原有上采样层。该模块在上采样过程中融合文本以及掩码信息,使图像具有更强的真实性以及语义一致性。实验结果表明,加入该模块后网络的生成能力进一步提升。4)基于上述方法,设计并实现了文本生成图像系统,为用户提供训练及测试模型服务。