通常情形下，現(xiàn)有的圖像生成模型都采用單次前向傳播的方式生成圖像，但實際中，畫家通常是反復修改后才完成一幅畫作的;生成對抗模型（ Generative Adversarial Networks，GAN）能生成圖像，但卻很難訓練。在保證生成圖像質(zhì)量的前提下，效仿作畫時的不斷更新迭代，以提升生成樣本多樣性并增強樣本語義，同時引入 Wasserstein距離，提岀了 Wasserstein圖像循環(huán)生成對抗網(wǎng)絡模型，簡稱 WIRGAN（ Wasserstein Image Recurrent GenerativeAdversarial Networks Model）/ WIRGAN定義了生成模型和判別模型，其中，生成模型是由一系列結(jié)構(gòu)相同的神經(jīng)網(wǎng)絡模型組成的循環(huán)結(jié)構(gòu)，用時間步驟控制生成模型的循環(huán)次數(shù)，用于迭代式生成圖像，并以最后一個循環(huán)結(jié)構(gòu)的生成圖像作為整個生成模型的輸出;判別模型也由神經(jīng)網(wǎng)絡構(gòu)建，結(jié)合權(quán)重剪枝技術(shù)，用來判別輸入圖像是生成的還是真實的。 WIRGAN利用 Wasserstein距離作為目標函數(shù)，將生成模型和判別模型進行博弈對抗訓練。另外，由于模型存在難以優(yōu)化的問題，本文引入了梯度罰來解決此類問題，進一步提出了梯度懲罰優(yōu)化的 Wasserstein圖像循環(huán)生成對抗網(wǎng)絡模型（ Gradient Penalty Optimized Wasserstein Image Recurrent Generative AdversarialNetworks model， GP-WIRGAN）。最后， WIRGAN和 GPWIRGAN在 MNIST、 CIFAR10、CeUN四個數(shù)據(jù)集上進行了基礎學習能力、模型間GAM自比較、模型內(nèi)GAM臼較、初始得分比較、圖像生成可視化、時間效率比較等6組實驗，采用生成對抗矩陣（ Generative Adversarial Merric，GAM）和起始分數(shù)（ Inception Scores）進行評估，結(jié)果表明，本文提出的 WIRGAN、 GP-WIRGAN具有良好的穩(wěn)定性，可以生成高質(zhì)量的圖像。