通常情形下，現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圖像循環生成對抗網絡模型，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構相同的神經網絡模型組成的循環結構，用時間步驟控制生成模型的循環次數，用于迭代式生成圖像，并以最后一個循環結構的生成圖像作為整個生成模型的輸出;判別模型也由神經網絡構建，結合權重剪枝技術，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，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化的 Wasserstein圖像循環生成對抗網絡模型（ Gradient Penalty Optimized Wasserstein Image Recurrent Generative AdversarialNetworks model， GP-WIRGAN）。最后， WIRGAN和 GPWIRGAN在 MNIST、 CIFAR10、CeUN四個數據集上進行了基礎學習能力、模型間GAM自比較、模型內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（ Inception Scores）進行評估，結果表明，本文提出的 WIRGAN、 GP-WIRGAN具有良好的穩定性，可以生成高質量的圖像。