图像生成是计算机视觉领域中目前一个十分热门的研究方向。许多研究者提出了很多不同的图像生成方法和模型,用以生成各种不同的图像,在某些应用场合也取得了很好的效果,然而,对于图标这种较为特殊且用途极广的图像而言,其生成却遇到了很多困难。如果能够使用图像生成方法和模型来生成图标,那将会极大地提高图标设计效率,同时也会给其他特殊数据的生成以启发。在已使用的图标生成研究中,传统的图标生成设计方法存在存储和计算消耗大、生成的图标单一、独特性新颖性缺失等问题。随着生成对抗网络等基于深度学习的人工智能模型和算法的提出,应用人工智能技术实现计算机自动生成图标成为了可能。本文基于生成对抗网络模型结合实际的图标设计流程完成图标生成模型的构建。针对图标自动生成问题,本文进行了如下研究工作:1、基于生成对抗网络,提出了一种图标生成方法,构建了图标生成基本架构,应用生成对抗网络的生成网络模仿真实图标的分布生成图标,应用鉴别网络鉴别图标的真假,二者循环训练,最终得出以假乱真的图标。2、基于条件生成对抗网络,提出了一种图标的定向生成方法,在生成网络和鉴别网络中加入了条件特征向量,使得所生成的图标具有用户要求的特征,生成的图标能够满足用户指定的生成条件要求。3、基于条件分类生成对抗网络,提出了一种多特征的图标定向生成模型,在鉴别器中加入了多种特征的鉴别模块,优化了条件特征的结构,确保模型所生成的图标满足给出的条件特征。在LLD-Icon以及Icons-50公开的图标数据集上的实验表明:本文提出的三种基于生成对抗网络图标生成模型均取得了相应的效果,尤其是基于条件分类生成对抗网络的多特征的图标生成模型在生成图标的多种特征表达上具有更为良好的表现。