图像生成是计算机视觉、计算机图形学领域的重要研究方向。该方向已有70余年的研究历史,早期的生成模型只能生成简单、低质量的图像。近年来,随着深度学习的提出与发展,生成模型取得了巨大的突破。深度图像生成模型能够高质量、可控地生成多样化的结果,因此它被广泛应用在各种实际场景中,例如:图像增强、图像编辑、跨模态图像生成、图像风格化转换、电影游戏特效、艺术设计等。不同的应用场景对生成模型有着不同的要求,因此,面向应用需求设计不同的生成模型至关重要。此外,生成模型难以避免地会产生低质量的生成结果,因此如何客观公正地评估生成图像的质量,筛选出符合要求的图像,也是个非常重要的研究问题。本文对这些问题展开了深入的分析研究,主要创新和贡献包括以下四个方面:第一,针对图像风格迁移任务,本文提出基于优化的深度特征重排列算法。之前的图像风格迁移或者只能迁移全局风格特征,或者只能迁移局部风格特征。本文提出将风格图像的深层语义特征依照内容图像重排列,再通过解码器生成风格迁移后的图像。本文从理论上证明了该算法能同时迁移全局和局部风格,并通过实验证实了该算法对于多样的风格图像均能产生高质量的生成结果。第二,针对肖像编辑问题,本文提出基于条件生成对抗网络的算法。该方法借助人脸分割网络得到的肖像掩模,将掩模和人脸属性分离,通过对人脸不同部件分别编码,实现了高质量、多样化、可控的肖像编辑。同时该算法框架还能完成很多其他应用,如从掩模渲染图像,含头发的换脸,以及将生成图像作为训练分割网络的数据增强等。第三,本文提出一种新的生成模型:量化去噪扩散模型。该方法首先采用量化变分自编码器将自然图像转换成离散编码,再使用离散去噪扩散模型对编码建模。在图像生成阶段,去噪扩散模型将噪声信号恢复成离散编码,再解码得到生成图像。该方法在多种图像生成任务上都能取得非常好的性能。一方面,该算法避免了自回归模型单向偏差、误差累积、生成效率低的缺点;另一方面,与生成对抗网络相比,该模型具有更强的数据拟合能力,能够生成更加复杂场景的图像。第四,本文提出一个新的研究课题:生成图像质量评估。本课题旨在研究如何自动、客观、公正地评估生成图像的质量。本文提出了三种生成图像质量评估算法,并收集了一个生成图像质量评估数据集用于验证算法的合理性。在此基础上,本文进一步探讨了生成图像质量评估的巨大价值,如用于生成模型衡量,提高生成模型性能,筛选高质量图像等。