在人工智能领域中,多模态任务通常要比单模态任务更加的复杂。因此,在许多多模态任务上,目前的模型还难以达到被广泛应用的标准。基于文本的图像生成任务是一个典型的多模态任务,要求模型根据文本信息生成合理的图片。最近,因其挑战性,以及潜在的应用性,受到了国内外科研界的密切关注。当前,由于生成式对抗网络显著的提高了图像生成模型的效果,大量的以生成式对抗网络为基础的基于文本的图像生成模型被提出。目前主流的文本生成图像模型存在两个缺点:（1）传统的文本与图像融合层只关注于捕捉单词特征与像素级别的图像特征之间的联系,没有关注单词特征与区域级别的图像特征之间的关联性;（2）尽管深层卷积网络可以将文本与图像的融合结果扩张到更大的特征区域上,这个过程难以处理图像中复杂的几何结构。总的来说,在传统的基于文本的图像生成模型中,模型忽视了特征图中非局部特征的重要性。为应对以上问题,本文提出了一种全新的文本图像融合的方法,基于动态区域的文本图像融合层。此方法将长距离依赖关系学习,以及图像的区域特征修正引入到了模型中,缓解了目前主流模型只关注图像局部特征的问题。模型可以动态的将特征图依据特征点的语义关系划分成不同的区域,并且以区域为基础对特征图进行基于文本信息的优化。同时,还可以使得卷积网络从其并不擅长的长距离依赖关系建模中解放出来,这是对处理局部特征为基础的生成器的补充。除此之外,本文发现了目前在基于文本的图像生成模型中广泛使用的基于注意力机制的文本图像相似度损失函数的不足。模型生成的图片与真实数据集之间的差异性使得此损失函数不能有效的利用对比学习提升模型的效能。本文在计算文本信息的后验概率时引入了真实的图像数据,这意味着在匹配文本特征的计算过程中,生成的图像数据不但要彼此之间互相区分,还需要与真实的图像数据进行区分,迫使生成器合成出与文本信息更加一致的图片。本文将模型在Caltech-UCSD Birds 200 dataset（CUB）和Microsoft Common Ob-jects（COCO）这两个主流数据集上进行了实验,验证了模型的效果。相比于目前最先进的模型,本文的模型取得了极具竞争力的效果。