图像翻译研究的目标是找到两种不同领域图像之间的映射关系,其方法可大致分为两类:基于监督学习的方法和基于非监督学习的方法。基于非监督学习的图像翻译研究旨在在缺少配对数据的条件下准确地找到映射关系。最近提出的基于生成式对抗网络的图像翻译方法能够进一步减少传统方法在损失函数设计方面上的人力投入,具有极大的应用前景。目前,基于生成式对抗网络(GAN)的方法能够更高效地在缺失配对数据的条件下实现图像翻译。然而,由于GAN训练不稳定,传统的GAN方法在图像翻译领域会导致输入输出之间没有明确的现实意义以及模式崩塌等问题。针对这一问题,本文改进了传统GAN网络结构,提出了一种新的模型——Enhancer-GAN。为了验证该模型效果,本文使用了多个不同应用方向的数据集来进行训练,通过多个实验证明所提出的模型能够加强输入输出之间的现实意义,改善输出结果,同时能够在多个不同的应用上取得良好的效果。最后,为了探索深度学习模型移动化带来的差异,本文将训练好的模型移植到iOS设备中,并围绕图像翻译这一核心功能开发了移动端应用以及服务器程序。借助移动端设备获取图像便利的特点,允许用户通过本地验证或远程验证的方式来体验图像翻译。这对于基于生成式对抗网络的图像翻译理论的应用具有一定的推动作用。