深度学习发展至今在图像生成、图像迁移等范畴取得了出色的结果,然而如今研究与进展更加趋向于大规模数据的支撑,深层网络和大型数据集对样本集的获取和标注表达了更多需求。生成对抗网络可以缓解样本数据不足对训练的影响,但是其本身梯度易消失爆炸、模式崩溃、生成器和判别器不易收敛的问题极大影响了生成质量与效果。为了找到一种有效提取图像特征,提升网络性能与生成质量,解决人工标注样本标签困难的方法,本文提出了一种新的图像生成模型结构,并为后续的多任务训练提供了框架帮助。无监督学习对照监督学习,在模型训练中无需人力辅助添加的标签信息。而自监督学习利用前置任务从大型无监督数据分布中提炼出本身的自监督信息,完成监督学习和模型训练。本文采用图像的几何变换作为前置任务,利用模型学习目标对象在不同几何位置的特征纹理和信息学习语义信息,来预测图像的变换方式。本文模型对生成图像和输入图像进行角度旋转和平面翻转的多尺度变换,然后将变换的标签作为人工标注,采用多个共享权重的判别器结构来实现分类损失和变化预测。本文设计了基于残差结构的生成器-判别器网络模型,稳定损失收敛,减少过拟合。并加入了谱归一化层限制网络梯度,加强了网络的训练稳定性。通过在多个数据集上的多次实验测试,本文与其他GAN模型进行了生成对比,在生成图像效果、FID和IS分数指标、损失函数收敛情况等方面进行了。本文在自身基础上比较了自监督学习和残差结构对训练结果的影响,证明了本文模型在结构上的设计是合理的。本文设计基于图像变换的自监督学习在生成对抗网络上的应用研究,并针对训练不稳定和生成质量不高提出了改进方法。本文模型在生成质量和训练收敛方面得到了有效提升,对于图像特征的提取学习有明显的进步。