机器学习利用数据或者过往的经验来提高计算机程序的性能,被看做通往人工智能的重要途径,并且在计算机视觉、数据挖掘、自然语言处理等领域受到了大量关注和广泛应用。模仿学习通过系统提供的专家指导示例数据,可以得到每一步决策的直接参考,可以端到端学习到策略模型,近年来得到研究学者的广泛关注。生成对抗网络(GAN)目前已经变成人工智能学界热门的研究方向,本文借助生成对抗网络的思想,给出用生成对抗网络实现模仿学习的算法,避免了求取报酬函数,实现从策略到策略的端到端的学习。本文主要分析传统模仿学习算法的实现思路,利用能唯一确定策略的度量标准,给出了通过该度量标准实现模仿学习的可行性。本文给出了生成对抗网络中生成模型目标函数与模仿学习目标函数的一致性,通过训练判别网络与生成网络,实现模仿学习算法的优化过程,从而将模仿学习与生成对抗网络联系起来。传统生成对抗网络存在一定缺陷,本文探讨了算法缺陷的特点和来源,结合近年来火热的WGAN来实现模仿学习算法,给出了新的目标函数,使模仿学习算法能避免传统GAN带来的缺陷。本文探讨了训练网络过程中策略模型的更新过程,采用了能较好更新策略模型的算法,实现策略更新步长自适应选取。本文利用OpenAI的物理仿真引擎Mujoco作为仿真平台,通过对Mujoco中提供的多个任务执行模仿学习算法,验证了用生成对抗网络思想实现模仿学习算法的有效性,实现了从专家轨迹到策略的端到端的学习目的。