纹理合成是根据给定的纹理,合成符合规律的、真实的、细节与给定纹理相同但结构可以和给定纹理不同的任意分辨率的纹理图片,纹理合成问题是计算机图形学、图像处理等领域的基础问题之一,纹理合成在场景渲染、图像修复、图像艺术风格转换以及计算机动画等方面有着广阔的应用前景。虽然在过去的20年里,对纹理合成方法的研究取得了重大进展,但是对非均匀纹理的合成仍然是一个悬而未决的问题,许多当今先进的纹理合成方法只能分析纹理中具有重复性和周期性的纹理元素,却无法分析非均匀纹理中的大尺度结构以及纹理元素在空间域上的变化,导致这些方法无法合成合理且令人满意的非均匀纹理。近几年来深度学习在图片合成、模式识别和人工智能等领域上取得了巨大的成就。生成对抗网络是深度学习领域中的一个常用的生成模型,也是深度学习领域中的一个热门的研究热点,它的诞生使得图-图转换、图片合成等问题的研究取得了突飞猛进的发展,是计算机合成问题研究中的被广泛采用的人工神经网络模型之一。本文围绕非均匀纹理合成进行探索,主要研究内容包括:1、单一非均匀纹理的扩展合成。根据纹理合成的目标,本文基于自监督学习,首次提出训练生成对抗网络来学习从小纹理块到包含它的大纹理块之间的扩展映射,从而使得训练好的网络能将输入纹理扩展合成为更大的纹理。实验证明该网络输出的合成结果视觉上真实自然,同时还保持了输入的非均匀纹理的局部纹理模式和大尺度结构。压力测试证明该网络具有鲁棒性。2、可控制的多重非均匀纹理的扩展合成。针对单一纹理扩展合成直接用于多重纹理扩展合成存在的模式崩溃和无法控制输出的纹理模式的问题,本文创新性地提出混合纹理扩展和纹理迁移训练,将单一纹理扩展合成网络改进为双图片输入,一个提供纹理结构,另一个提供纹理模式。同时还增加了分类器网络,并引入启发层。实验证明经过改进后的新网络可以同时学习到多套不同的纹理扩展合成模式,并在一定程度上解决了生成器网络的模式崩溃问题,更重要的是用户可以通过选择不同纹理模式输入来控制输出结果的扩展合成或纹理迁移。