在过去几年中,生成对抗网络(Generative Adversarial Networks,GAN)的研究一直在急剧增长。在2014年,生成对抗网络由Ian Goodfellow及其蒙特利尔大学的同事提出,已被应用于计算机视觉和自然语言处理等各种应用,并取得了令人印象深刻的成果。在GAN的众多应用中,图像生成是研究最多最热门的一个,该领域的研究已经证明了在图像合成中使用GAN的巨大潜力。本文主要的工作是基于生成对抗网络的多域图像转换的研究,现有的方法在做图像转换(两个以上的转换域)时,由于对于每一配对图像域的转换都需要建立不同的模型,所以鲁棒性和可扩展性较差,并且在做多域转换训练多个模型时网络模型的参数也会成倍的增加,大大提高了训练时间和算法复杂度。为了解决这个问题,本文基于生成对抗网络提出了一种多域交叉转换的方法,这种方法本文所使用的这种模型允许在单个网络中同时训练具有不同域的多个数据集。与现有的模型相比转换后的图像的质量更高,并且拥有将输入图像灵活转换成任何期望目标域(数据集的属性)的新颖能力。这种方法的提出来源于电路系统里的单刀双掷开关,通过一个one-hot或者二进制形式的一维向量来控制单个数据集里不同属性的生成和转换,同时也能控制多数据集的训练和选择性的生成目标域图像。所以在一张生成图像上能够生成多个域的特征,灵活的按照预期设置条件来生成图像并被分类到正确域中。本文选取了CelebA数据集和RaFD数据集作为实验数据集,并选取可逆条件生成对抗网络模型作为本文的实验对比模型。CelebA数据集包含人脸面部的各种属性,RaFD数据集包含多种面部表情。本文设计了3个实验,分别是在单个数据集上利用条件信息做目标域的转换和两个数据集上做目标域的共同转换。经过实验表明,相比于实验的对比模型,本文能够在单个数据集上生成质量更好的图像,而且对非目标域信息在做图像转换时都能够很好的保留。在两个数据集共同生成时,在同一张生成图像上能够很好的表达两个数据集的属性,并且其他非相关域也能够得到保留,并且生成图像分辨率较高。总体来说本文提出的模型在做图像到图像的转换时具有很好的扩展性和应用性。