近年来,随着深度学习理论的成功应用,很多研究者对相关内容越来越感兴趣,大量的计算资源和设计人员投入到了相关理论及应用的研究中去,自2014年Ian Goodfellow提出生成对抗网络理论(GAN)以来,人们对于它的理论思想及其在各个场景中的应用研究越来越感兴趣,人们将具有深度结构的卷积网络与GAN相结合起来,做出了令人惊讶的探究。GAN网络的核心思想是两人互博的游戏,这种对抗的思想类似于人的行为,从某种程度上来说,研究GAN网络的理论及其应用,实际上是在研究人类的决策行为。以往的数字图像的处理大多依赖于传统的方法,如均方误差,高斯去噪,边缘提取等,这些方法在对质量要求不是很高的应用场景下确实能够完成大多数图像处理任务,图像增强,高分辨,图像的去噪,图像的生成等。但是这些传统的处理算法最明显的难点在于设计时的人为性,这些算法太过于依赖人们提出的算法,而没有新时代深度学习中的自主学习的能力,这就导致了在很多复杂的应用场景下,难以再用传统的方法进行处理。但GAN网络的诞生为这些问题提供了新的解决思路,GAN网络在处理图像过程中不像传统的算法那样依赖人为设计参数,而是能够自主的学习并更新参数,选取好的反向传播算法能够加快这种学习。并且利用GAN网络重新生成,或者处理过后的图像能够保持并且增强更多的细节纹理特征,而这些是复杂场景下所期望得到的效果。总体来看,和传统的一些模型相比,GAN具有它自身的许多优点,首先是用GAN网络生成的样本在维度之间是成线性相关的,其次实它的先验很少,与传统的模型相比起来,这是GAN模型的最大优点。和以前的网络最突出的不同点是,我们不需要对数据做任何的假设。另外它还可以生成更高质量的样本。GAN网络的应用目前已经十分广泛,涉及到文本,图像,语音等等,并且在这些研究中,已经取得了很不错的研究成果。本文在研究GAN的理论基础之上,具体对图像的去噪和超分辨两方面进行了较深入的探索,根据现有的条件,通过设计良好的网络结构和特定的损失函数,我们能够使去噪后的图像和经超分辨处理的图像都呈现出非常好的高频细节特征,而这是以往的很多网络结构无法做到的。同原始的GAN网络相比,我们提出的网络在结构上改进了许多,在普通的卷积网络结构中加入了残差快达八层之多,这能使得图像的主要特征在卷积过程中不会丢失,这有助于在图像超分辨应用的过程中能够更好的保留细节特征;跳跃连接结构可以让图像在训练过程中不会出现大量的梯度退化,如此操作,即使网络层数堆叠更多层,也能尽可能地避免梯度消失的问题,修正后的损失函数是进行学习训练的关键,有了这个精心设计的的损失函数,在做梯度下降学习时可以加速训练,并且一定程度上可以避免梯度消失和梯度爆炸的问题,给图像去噪应用带来更优的效果。我们提出的GAN网络在图像超分辨和图像去噪方面都表现出了令人满意的效果,最后的实验总结与对比也证明了我们的网络的有效性和优异性。