图像合成是深度学习和视觉计算中的一个重要的研究方向,其在当今社会生活中具有广泛的应用前景和价值。它一般通过对输入的原始图像进行特征的提取与分析,再对这些特征作特定的约束与变换得到新的特征,最后利用新的特征来合成输出新的图像。传统的图像合成方法一般基于人为设定的特征如颜色直方图、纹理信息、形状信息和灰度信息等,再结合先验知识进行图像合成的研究。这类方法由于过度依赖人为设定的浅层特征而忽略了图像的深层特征和空间相关特征,因此难以合成令人满意的新图像,从而在实际环境中无法适用。近年来,以深度学习技术为核心的图像合成方法已经在很多行业取得了很大的成果。这类方法主要使用深层神经网络来构建对应的图像生成模型用于新的图像合成。U-net和生成对抗网络是两个常用于图像合成的深度网络模型。但是U-net仍存在一定的局限性,U-net是一种左右对称的U型网络,在增大输出图像分辨率的同时,网络中卷积层的数量会成倍增加,这会导致网络层次加深,使网络的训练变得更加困难,模型的学习性能会发生退化,最终造成合成的图像具有较低的质量。因此,对U-net的结构进行改进和优化就非常有必要和意义。为了解决上述问题,本文提出了对U-net结构的两种改进方法,第一种是基于高速残差块的U-net模型用于现实场景图像合成,该方法通过在U-net垂直方向的堆叠卷积层中嵌入高速残差块以提升U-net的图像合成性能。第二种是基于swish门限残差块的U-net模型用于黑白线稿自动上色,该方法通过在U-net垂直方向的堆叠卷积层和水平方向的跳层连接中嵌入swish门限残差块以提升U-net的图像合成性能。为了证明本文的方法的优越性,上述两种改进思路分别在公开的标准数据集上进行了大量的实验研究,实验结果证明了本文提出的方法在对应的图像合成任务上具有更优秀的性能。最后,本文对上述第二种方法进行了进一步的探索,将基于swish门限残差块的U-net作为生成对抗网络中的生成器来用于黑白线稿自动上色。实验结果表明了该方法具有优良的自动上色性能。