生成式对抗网络（GAN）通过对抗机制学习数据分布，在自动驾驶、数据增强、艺术创作等领域发挥着重要的作用。但它仍然存在着诸如梯度消失、模式崩溃等难训练的问题。图像着色技术在灰度图像上色、素描图像着色和动画作品的颜色处理等许多领域都有着广阔的应用前景，但传统的图像彩色化往往需要人工干预。随着当前需要彩色化的图像数据日益复杂且海量增加，传统方法受到限制，无法满足需求。目前基于深度学习的自动着色也已取得了一定的效果，但大多数训练需要大量的数据。对人类而言，显然不需要大量的图片就能达到满意的效果。并且新数据集的制作并不容易，在某些领域如医学领域很难收集到大量的图片。因此研究少样本的图像着色有着实际的意义。本文主要通过理论分析实验验证等方式，研究生成式对抗网络的相关问题，并研究其在图像着色中的应用，重点研究在少样本数据集上的灰度图像彩色化。本文的主要工作如下：
　　1.介绍了生成式对抗网络的相关理论知识。分析了GAN网络常见的评价指标，研究了GAN网络的本质问题，并从原理上进行了深入分析，阐述了解决方法。
　　2.构建了基于条件生成式对抗网络的上色方法。介绍了网络所用的判别器的结构，生成器的结构，以及它们的损失函数。引入记忆网络，使着色网络能够在少样本学习和一次学习中也能有优异的着色效果。
　　3.生成器结构中避免了反卷积的方式，减少了生成图片的棋盘效应。使用L1损失，网络具有更好的泛化能力。为保证生成结果的多样性，在生成器的前两层网络都引入了噪声，并在生成器的各层网络都引入了灰度图，以指导生成器的生成，使结果更加真实。
　　4.利用所提出的着色网络，实现了网页端的上色应用。该应用主要包括了图片模块、图片预处理模块和上色模块，能实现快速上色，具有较好的用户体验。