近年来,随着生成对抗网络（Generative Adversarial Networks,GAN）的提出,生成对抗网络在图像生成、图像转换等领域得到了广泛的应用。本文针对对比模型在图像数据生成以及漫画线稿上色任务上效果不佳的问题,基于生成对抗网络提出了改进后的模型架构,通过训练得到了效果可观的生成图像,工作中取得的主要成果如下:（1）针对对比图像数据生成模型在训练时存在模式崩溃、梯度消失和训练不稳定等问题,提出了一种基于生成对抗网络的图像数据生成模型,模型通过给定的噪声向量生成所需图像。实验中,模型采用了由分支残差网络组合而成生成器与判别器,它能够为网络提供多个尺度的感受野,提高了网络的表征能力。针对主流生成对抗网络只能生成单一种类图像的问题,提出了一种可以生成多种类图像数据的模型,模型的生成器由拥有多个分支输出的网络组成,它可以通过增减网络模型的分支数量选择生成对应种类数量的图像数据。为了能够更好地指导网络进行训练,设计了一种动态学习率,它能够根据具体任务对学习率的衰减进行动态的调整。实验结果表明,本文提出的图像数据生成模型相较于其他对比模型,能够生成多样性更丰富、清晰度更高以及质量更优秀的图像数据。（2）针对对比漫画线稿上色模型生成的上色图像存在上色不准确、对比度低以及质量差等问题,提出了一种基于生成对抗网络的漫画线稿上色模型,模型根据给定的漫画线稿图像生成漫画上色图像。实验中,模型采用了U型网络结构的生成器,将分支残差网络与马尔科夫判别器相结合,设计了模型的判别器。为了更好地进行特征提取,提出了一种改进的通道空间融合注意力网络模型,用以强化特征图中重点信息抑制非重点信息。根据生成器的U型结构,将注意力模块嵌入至多个尺度的网络连接上,让注意力模块能够对网络模型的多尺度图像特征进行处理。为了能够生成更高质量的上色图,采用了对抗损失、最小绝对值误差损失以及感知损失对网络训练进行约束,它能够更好地指导模型的训练。实验结果表明,本文提出的漫画线稿上色模型相较于其他对比模型,能够生成上色更准确、对比度更高以及质量更优秀的漫画线稿上色图像。