近年来,在计算机视觉领域,深度学习推动了人脸识别、自动驾驶等很多技术的快速发展。但在实际应用中,深度学习模型需要大量的图像样本来进行训练,而由于涉及到隐私、成本等问题,图像训练样本的获取往往非常困难。生成对抗网络（Generative Adversarial Nets,GAN）能够生成大量逼真的图像对训练样本进行补充,为解决图像训练样本难以获取的问题做出了贡献。作为GAN的变体,带有一致惩罚项的瓦瑟斯坦生成对抗网络（Wasserstein GAN with Consistency Term,CT-GAN）提升了模型在训练时的稳定性。但CT-GAN在训练时仍然存在初期波动、难以快速收敛等不稳定问题。本文为了进一步提高生成图像的质量,对CT-GAN遗留的不稳定问题进行了分析,并将导致其不稳定的原因归纳为两个方面:（1）鉴别器处理1-Lipschitz约束的方法不当;（2）针对生成器的约束缺乏。针对原因一,本文基于梯度惩罚方法构造了一个非对称双边惩罚项（Asymmetric Two-sided Penalty Term）来改进CT-GAN鉴别器的目标函数。在此基础上本文建立了WGAN-AP模型。该模型针对特定区域内不同的梯度范数采用不同的惩罚方式且关注到了生成样本边缘区域,实现了更加松弛且范围更广的约束。通过在Toys、MNIST、CIFAR-10和Image Net数据集上进行实验,本文验证了WGAN-AP模型前期波动更小,能更快地收敛到稳定状态,且提高了生成图片的清晰度和多样性。针对原因二,本文基于正则化技术对WGAN-AP模型在监督学习和非监督学习模式下实施了不同的优化方案。在监督学习模式下,本文对生成器网络中Linear、Residual Block和Conv层的权值矩阵进行了谱归一化,建立了WGAN-AP+SN模型。而在非监督学习模式下,本文在生成器的参数迭代过程中加入了以鉴别器梯度为基础的约束项,建立了WGAN-AP+GC模型。通过在MNIST、CIFAR-10、Image Net数据集上进行实验,本文验证了该优化方案可以使得WGAN-AP模型在监督学习和非监督学习模式下都更加稳定且生成更高质量的图像样本。综上所述,本文为了缓解深度学习模型图像训练样本不足的压力,对图像生成模型CT-GAN进行了研究。最终,本文基于梯度惩罚和正则化技术提升了CTGAN的训练稳定性,提高了模型生成图像的质量。