生成對抗網絡（GAN， Generative Adversarial Networks）的出現是計算機視覺領域又一里程碑式的發展，它為解決各種圖像預測問題提供了新型工具。以此為目的，本文通過相關文獻的調研以及結合最新成果的研究，突出了生成對抗網絡的無監督學習算法特征。目前生成對抗網絡拓撲結構的研究在不斷優化著基礎生成對抗網絡的性能；在改進難收斂、模式崩潰等缺點方面發揮著各自的長處，已然成為當下研究的熱點方向之一。

　　生成對抗網絡最早是在2014 年由Open AI 的Ian Good fellow 等人提出的一種創新型模型。它的出現為解決工程和數學領域中高維度概率密度分布中采樣和訓練的問題提供了幫助。隨后經過兩年對生成對抗網絡的研究與總結，Ian Good fellow 等人在2016 年神經信息處理系統進展大會上對生成對抗網絡的相關知識體系進行了匯總。生成對抗網絡的理論在此基礎上被證明了是一種具有非監督學習性質的收斂模型，這就為其在后續的應用中提供了可行性和實踐性。它能夠在不需要假設數據分布的前提下，來對一種隨機分布進行直接采樣，進而得到全局最優解。生成對抗網絡的優點之一是它回避了一些比較復雜的概率運算，在訓練過程中不涉及到最大似然估計和馬爾科夫鏈等復雜算法，又因為生成對抗網絡善于捕捉模型的分布方式等一些獨特的優點，其概念和模型被學術界廣泛接受。至此以后以生成對抗網絡作為研究基礎的拓撲結構以指數爆炸的速度發展著，從GAN ZOO 中統計的自2014 年以來以生成對抗網絡作為研究基礎的論文數量的數據中可窺見一斑。

　　為此，針對生成對抗網絡非監督學習這一特點，本文著重分析了非監督學習相較于監督學習的優勢，對比了一些主流的無監督生成模型；主要總結了相對于標準生成對抗模型擴展模型——條件生成對抗網絡（CGAN， Conditional Generative Adversarial Nets）、深度卷積生成對抗網絡（DCGAN， Deep ConvolutionGenerative Adversarial Nets）、循環生成對抗網絡（Cycle GAN， Cycle Conditional Generative Adversarial Nets）做出概括的應用。生成對抗網絡及其各種衍生模型的進一步研究必將有效解決計算機視覺問題，而且利用生成對抗網絡來提升機器理解世界的能力，也必將成為人工智能中的重要研究方向。