人脸表情合成在人脸识别、动画制作、人机交互等领域有着广泛的应用。然而,由于面部表情的非线性变化,表情合成是一个具有挑战性的任务。生成式对抗网络在图像合成任务上表现出的优越性一定程度上解决了传统方法存在的问题。现有的方法主要是针对表情类别进行合成,但缺乏对表情强度的细粒度控制。本文主要针对表情的不同强度进行研究,基于生成式对抗网络合成具有不同表情强度的真实感人脸图像。本文主要提出了两种方法:1)融合注意力机制的表情合成算法我们人工的根据表情的不同强度将数据集进行划分成不同强度类别。该算法基于条件生成对抗网络以一种监督的方式实现不同强度的合成。同时使用通道和空间的两种注意力机制,使网络能够集中在表情强度相关的面部部位。为了使生成的图像尽可能地接近真实的目标,提出使用了像素损失,以最小化ground-truth和生成图像之间的差异。另外,鉴别器在判别真假的同时也能判别表情强度。在3个数据集上进行了一系列的实验,结果证明了我们的方法在合成不同强度的人脸表情图像上的有效性。2)基于多尺度特征融合的表情合成算法不同尺度间的特征包含不同层次的信息,低层特征关注的是局部细节而高层特征是抽象的全局信息。我们以一种基于注意力的融合方式对不同尺度的特征进行加权融合,从而获得更全面的特征信息。这种方式同时包含了低层细节信息和高层全局信息,减少了图像生成过程中的细节丢失问题,同时使用注意力的融合方式在对多尺度特征进行融合时使网络更关注与表情变化相关的部分。经过一系列实验验证了该算法的有效性。