随着计算机技术和社交网络的飞速发展,日常生活中每时每刻都在产生海量数据,如何利用海量数据来实现智能任务已经成为当前的研究热点。在实际应用中,海量数据通常是以不同模态形式存在的,如文本、图像、视频、音频、3D模型等。虽然海量数据的存在形式不同,但是不同模态的数据可能具有高度的相关性甚至是描述同一事物。在当前基于多模态数据的研究中,利用不同模态数据相关性的跨模态智能及相关研究因其应用广泛而备受关注。跨模态生成作为跨模态智能的子任务,在实际生活中有着广泛的应用,如计算机辅助设计、图像编辑、机器翻译以及信息数字化等。从目前的研究来看,基于深度神经网络的跨模态生成方法明显优于基于传统机器学习算法的跨模态生成方法,并且已经成为跨模态生成领域的主要研究方向。跨模态生成不仅需要根据一种模态数据生成与之对应的另一种模态数据,并且要求生成数据与真实数据高度相似以至于难以区分。在跨模态生成任务中,本文以级联对抗网络作为基础生成框架,主要研究了文本、图像和三维点云之间的跨模态生成方法,具体的研究内容如下:（1）提出一种基于背景诱导与多级判别器的文本生成图像方法。该方法将级联对抗网络和混合注意力机制相结合构建了多阶段图像生成框架。同时,背景图像作为辅助信息被添加到多阶段图像生成框架中。在文本描述和背景图像的联合约束下,所提方法能够在给定背景下生成前景目标不同的多样化图像。此外,还引入一种多级判别器及对应的多级判别损失来进一步提升图像生成性能。在CUB bird数据集上的实验结果证明了所提方法的优越性以及在给定背景下的图像生成能力。（2）提出一种基于单幅图像重建稠密点云的级联生成方法。该方法将预重建网络和上采样网络相结合构造了多阶段点云生成网络。同时,设计一种图像再描述机制,通过重建点云再生成图像来优化多阶段点云生成网络。此外,引入暹罗结构用于从多幅图像中提取一致的高阶语义,从而进一步增强图像与重建点云之间的语义相关性。在多阶段点云生成网络的优化过程中,通过分阶段训练和整体网络微调等操作,显著降低了该网络的训练难度。在Shape Net数据集上的大量实验表明,所提方法的性能明显优于现有的点云重建方法。