自然语言生成是计算语言学与人工智能领域的重要分支。现有的语言生成系统结构冗余、人为参与度较高的问题亟待解决。由于生成对抗网络在序列生成方向上逐渐受到关注,同时为更好地使计算机具有人一样的表达和写作能力,基于目标导向的生成方法提供了新的生成角度,不同于语言分析逆过程的生成方式,提升生成内容的可控性。现有的用于序列生成的策略梯度算法中,真实环境提供的奖励规则没有被很好的近似,即用训练模型本身生成的数据作为环境模型生成的结果,并当成反馈奖励参与计算。判别器没能提供生成目标的奖励,让生成器根据强化学习的方式进行训练,使对抗生成网络中的语言生成模型不能基于目标词引导进行训练。本文提出的目标导向的序列对抗生成网络(Goal-directed Sequence Generative Adversarial Network,G-SeqGAN)模型,主要实现了强化学习方法与对抗生成网络的组合训练,通过奖励引导并使用滚动计算方法实现目标序列生成,进一步增强了生成对抗网络中自然语言生成任务的可控性。分析了在使用强化学习方法时容易忽略的环境要素,总结环境的私有状态,为自然语言生成方法提供一种新的分析视角,并为模型的训练提供了一个新的更新表达式,通过新的反馈策略确保在训练过程中更好地估计环境给出的反馈,从而提高训练效果。本文在合成数据和实值任务的数据集上进行了对比实验,实验结果表明模型在实用性和鲁棒性方面的优越性。证明了词控制序列生成方法的优势,模拟反馈方法优于基础的序列生成对抗网络模型。