随着当前社会智能化进程的不断深入,对于数据的使用量需求呈现指数式上升趋势,网络上现有的数据集大多是花费高昂代价人工标注的,所以这就迫切需要一种技术能够实现数据特别是图像数据的高精度合成,以此满足高校、互联网企业、科研院所以及科研个人等不同主体的实验数据需求,这对于科研突破以及社会繁荣稳定发展有着重大意义。近年来,基于文本语义到图像合成的技术在深度学习大环境下得到飞速发展。其基本思想是将文本语义与图像语义投影到同一维度空间。当前的算法大都在朝着这个目标努力同时也取得了一定突破,但是由于不同模态语义空间下的一致性难题使得该问题得不到根本性解决。因此,本文将在现代图像生成技术——生成对抗网络基础上提出一些改进措施,使得文本与图像的语义空间一致性得到改善:（1）基于不同文本粒度策略与文本间域的图像生成。由于文本粒度的选择与图像生成质量息息相关,而且在该图像生成任务中存在着文本语义与图像语义不匹配问题,因此,本文构造了一种全局指导局部注意生成模块,并且在图像生成质量比较上增加了语义比较,完善了文本与图像语义空间一致性生成目标。（2）基于真实图像的间域对抗。由于在现有文本到图像生成的算法中,大多只考虑到生成图像语义与真实文本语义的一致性间隙,忽略了来自真实图像与真实文本所产生的一致性间隙,因此,本文利用镜像思想,将真实图像重新生成对应文本,设计了一种并行文本生成模块,使得图像生成过程充分利用真实图像信息作为助力,从而生成语义更加契合的高分辨率图像。实验结果表明,本文提出的方法与现有其他同类方法相比,在图像质量指标初始分数（Inception Score）和准确度排名（R-precision）上均有提升。本文研究思路为基于深度学习的生成对抗网络在文本到图像生成领域提供了不同经验。