著名的物理学家费曼曾经说过:“What I can’t not create,I do not understand”。系统创造事物的能力在一定程度上表明了系统理解事物的能力,因此,研究生成模型有望加深对认知技术的了解,从而推动人工智能技术的发展。生成模型是机器学习技术的重要一环,主要可以分为传统生成模型和以生成对抗网络为代表的现代生成模型。传统生成模型考虑了显式的密度估计,具有良好的理论解释,但需要对估计的概率分布做出一定假设,导致传统生成模型往往难以泛化到现实世界的数据分布中。相反的,生成对抗网络通过对抗学习的方式,能够对数据分布进行隐式建模,故其生成效果往往要优于传统生成模型。因此,本文主要讨论有关生成对抗网络的研究和应用。在各种关于生成对抗网络的研究和应用中,稳定模型的训练过程是至关重要的,这能够有效减少使用人工经验对模型进行调参所耗费的时间,避免模型出现模式崩溃的现象,进而提升模型的实际应用效果。然而,由于生成对抗网络的性能对网络架构、正则化技巧和各种超参数的设置都较为敏感,这些混淆因素或将导致声称效果更优的算法之间无法公平对比。因此,对比不同正则化机制的优缺点,设计一种融合多种正则化机制优点且能够实现稳定训练的生成对抗架构就具有十分重要的意义。总结而言,本文主要的研究工作如下:首先,本文分别介绍了生成模型的传统方法和生成对抗网络的基本原理及其相对于传统生成算法的优点,并从理论上推导出生成对抗网络出现“训练不稳定”和“模式崩溃”问题的原理。为了解决以上问题,本文提出了以非饱和损失函数为主,正则化函数为辅的多目标约束生成对抗框架。为了能够定量地对比不同正则化技巧的性能,本文还设计了一个合成数据集和两个评价指标用于评估不同模型的性能。实验结果和可视化结果表明,非饱和损失函数结合R1梯度惩罚技巧的生成对抗网络能够有效处理“训练不稳定”和“模式崩溃”的问题。其次,在多目标约束生成对抗框架的基础上,为了优化深度生成模型的性能,本文提出了一种基于正则化机制的生成对抗网络。为了寻找不同正则化机制最有效的融合方案,本文在大规模人脸数据集上实施了人脸生成的对比实验。实验结果表明,基于Style-GAN技术和信息瓶颈技术的多目标约束生成对抗框架的性能是最优的,其具有较强的训练稳定性,能够生成高保真度的人脸图像。最后,考虑到生成对抗网络架构与强化学习技术中的Actor-Critic架构的相似性,本文基于深度确定性策略梯度架构,提出了应用信息瓶颈技术的多目标约束优化模型,并设计了一个具有难度的多智能体强化学习任务,用于验证正则化机制处理强化学习任务中的“试探与开发”困境的有效性。实验结果表明,在多智能体强化学习任务中,信息瓶颈技术具有较好的理论解释,有利于处理强化学习技术中的“试探与开发”困境的难题,不仅如此,R1梯度正则化技术与信息瓶颈技术的协同应用也明显增强了强化学习模型的性能。以上结论表明基于正则化机制的生成对抗框架可有效迁移至深度强化学习领域,具有较高的实用价值,值得深入探索。