随着人工智能和深度学习的快速发展,面向计算机视觉的生成模型研究获得了广泛的应用。其中,生成对抗网络具有最深远的影响。相较于其他传统的生成模型,生成对抗网络中生成器与鉴别器的对抗训练可以在显著提升生成样本生成质量的同时避免传统生成模型近似或者变分的推导过程。另一方面,由于生成器不直接参与数据分布的学习,这使得生成对抗网络对与数据分布相关的先验知识并不敏感,从而可以更好地生成与数据分布相似但又不完全相同的新样本。尽管生成对抗网络具有多个优点且已经在不同的任务中都取得了成功,但其依然存在两个固有缺陷:训练动态不稳定和模式崩溃。本文对生成对抗网络的相关研究和发展现状进行了梳理,根据流形理论和最优传输理论分析了这两种固有缺陷出现的原因,并从不同的角度提出了两种解决方案。在此基础上,进一步扩展了生成对抗网络在半监督学习和强化学习中的应用,为生成对抗网络在医学领域中的应用提供了新的思路。在该过程中,利用理论分析和大规模实验充分验证了提出的方法与应用的有效性。本文工作的具体概述如下:（1）针对生成对抗网络的两种固有缺陷,本文提出了一种基于具有不同损失函数的多鉴别器集成的生成对抗网络框架CES-GAN。通过同时对多个具有不同损失函数的鉴别器进行集成训练,利用不同损失函数偏好不同数据模式的特点尽可能捕获数据空间中可被观察的数据模式并稳定生成对抗网络的训练动态。同时,针对不同性能鉴别器集成可能出现木桶效应的问题,本文还提出了一种梯度选择机制,只使用能够有效降低生成分布和数据分布之间距离的梯度来更新生成器的权重,从而避免性能较低的鉴别器带来的负面影响。最后,本文提供了理论分析以证明方法的可靠性,并在不同规模的多个数据集上验证了该方法的有效性。（2）针对生成对抗网络训练动态不稳定的问题,本文提出了一种基于隐层表征的生成对抗网络快速构建方法。通过解耦生成对抗网络的生成过程将其分为两个独立的生成过程以分别生成经验隐层表征和最终结果,从而稳定生成对抗网络的训练动态并捕获更多的数据模式。在第二个阶段中,使用经验隐层表征替换白噪声作为生成器的输入。考虑到隐层表征是数据分布在神经网络隐空间中的低维映射,具有数据分布的先验知识,这意味着二者的映射函数将更加连续和平滑。因此,该方法可以有效稳定生成对抗网络的训练动态。最后,本文通过理论分析证明了该方法可以稳定生成对抗网络的训练动态并降低对抗训练的难度。多个数据集上的大规模实验证明了该方法的有效性。（3）针对监督学习中深度学习分类网络一般性特征和特异性特征不平衡导致的过拟合问题,本文提出了一种基于特征均衡的半监督训练方法。将分类网络顶端的卷积层视为生成器并将其输出作为伪样本,真实样本经过矩阵变换得到的投影作为真样本,引入一个无监督鉴别器基于对抗损失来尝试区分这两种样本,进而约束模型更多的学习一般性特征而非特异性特征。理论分析和大规模实验证明了该方法的可靠性和有效性。（4）针对新冠肺炎与其他肺炎放射学特征过于相似的问题,本文提出了一种基于生成对抗网络的半监督学习检测模型以识别不同类型肺炎医学影像之间的细微差别。同时,针对放射学特征和临床指标不平衡导致的归纳偏置问题,本文提出了一种基于生成对抗网络的强化学习预测框架,以结合放射学特征和临床指标预测新冠肺炎患者病情进展。本文还构造了一个包含超过十万张CT影像的新冠肺炎胸部扫描图像数据集,并基于此进行了大规模的验证。除此之外,外部验证集的结果证明了提出方法的有效性和泛化能力。本文提出的方法可以显著稳定生成对抗网络的训练动态并捕获更多的数据模式。同时,在半监督学习和强化学习上的应用结果表明生成对抗网络具有很高的潜在应用价值。