图像映射是指将目标图像从一个域以合理的方式转换到另外一个域,研究者们常常使用生成对抗网络的方法来实现图像映射。但是,这种对抗学习的方法仍存在不足之处,因为使用生成对抗网络生成的图像在细节方面与真实图像仍然有着较大的差距。主要是由于研究者在使用生成对抗网络方法进行研究的时候往往会忽略图像结构方面的信息。而且普通的生成对抗网络的结构比较简单,对于图像的细节信息以及复杂的层次信息的学习能力较弱。由于太阳磁场图像在太阳物理研究领域占据着非常重要的位置,而保存下来的具有利用价值的太阳磁场图像并不多,因此本文提出了基于改进的生成对抗网络的太阳磁场图像映射算法,旨在基于给定的Halpha图像生成其对应的太阳磁场HMI图像。考虑到数据匹配的问题,本文从两种角度出发,利用有监督的Pix2PixHD网络和无监督的CycleGAN作为基准模型,对这两种模型进行改进,来辅助太阳Halpha图像到太阳磁场HMI图像映射,提升了生成的磁场图像效果。（1）首先,对目前的经典模型Pix2PixHD的进行改进与优化,构建了一种引入金字塔池化模块的Pix2PixHD模型,在原来的生成器之后加入了一个增强细节信息的金字塔池化模块,然后使用通道融合的方法将增强器的输出进行拼接融合输出更高质量的图像。之后,使用多尺度判别器对生成图像进行判别得到输出的太阳磁场图像。通过与经典的有监督模型进行对比实验发现,本文改进的网络比原网络具有更好的风格转换效果。（2）此外,由于成对的太阳halpha图像和太阳磁场图像的收集存在一定的难度,因此本文从无监督对抗学习的角度出发,对经典的无监督模型CycleGAN进行改进与优化,通过在生成器中加入注意力模块使模型更加关注图像的重点区域,并对其进行了深入分析和验证。通过与经典的无监督模型进行对比实验发现,加入了注意力机制模块的CycleGAN模型能够在没有匹配数据的前提下生成更加清晰、细节更加丰富的太阳磁场图像。