文本生成图像研究是自然语言处理和计算机视觉的交叉研究内容,该任务要求计算机能够在理解输入文本语义的基础上,生成与文本语义相一致的图像。传统的文本生成图像方法变分自编码器生成的图像模糊,且生成的图像不能够完整地表达文本语义。为了解决传统方法所产生的问题,本文采用生成对抗网络实现文本到图像的合成,尽管在此前已经有研究者利用生成网络生成了符合文本语义的图像,但是在图像的多样性和清晰度上仍然不能够满足实际应用需求。为进一步提升文本和图像的语义相关性和图像的质量,本文在总结现有方法的基础上,提出了两种基于生成对抗网络的文本生成图像算法。（1）基于变尺度金字塔注意力生成对抗网络的文本生成图像算法。由于多阶段生成模型中高分辨率图像质量好坏取决于低分辨率图像的质量,为此,该算法致力于提升初始图像质量。为深度挖掘初始图像的文本表达能力,促进图像的生成,设计了变尺度金字塔注意力模块,该模块提取初始图像不同尺度的特征,通过注意力方式高效地利用特征通道间的有用信息。此外,为增强细化网络特征提取能力,提出残差密集特征提取模块,通过密集连接和残差连接的方式充分利用各个层之间的特征,进行更深程度的信息交互,细化初始图像,提升高分辨率图像质量。通过在CUB和COCO数据集的实验表明,该算法与近几年的模型相比表现出优越的性能。（2）基于跨域特征融合生成对抗网络的文本生成图像算法。该算法采用多阶段的生成对抗网络作为算法的主体框架,将图像从低分辨率提升至高分辨率。为了提升生成的图像和文本描述之间语义相关性,设计了特征融合增强响应模块,将低分辨率下的初始图像的特征和词级向量特征进行深度融合,使图像能够正确地表达出句子语义的基础上,还能够精确地表达出单词级语义。同时,为了使图像中的目标物体完整,纹理结构丰富,设计了多分支残差模块,该模块利用简单的结构代替了多个残差模块,充分提取图像的纹理特征,使得图像更真实。通过在CUB和COCO数据集上的实验结果表明,该算法在初始分数和精度分数指标上比先前模型性能提升至少1.5%以上。上述两种算法的提出,分别从提升初始图像质量和改善文本和图像的语义对应关系两个不同的角度提升图像的质量,成功地合成了与文本语义相一致的视觉图像。为推进后续的文本生成图像任务的研究提供参考。