生成性对抗网络的出现对解决深度学习样本数据的缺乏起到了很大的作用。为了解决由生成的对抗网络生成的图像的细节质量问题，如轮廓模糊和前景背景分离，提出了一种改进的Wasserstein生成的带有梯度惩罚的对抗网络算法（GPPSW的GAN）。该算法基于WGAN-GP的Wasserstein距离损失和梯度惩罚，在鉴别器中使用从VGG－16网络的三个池层中提取的特征，并通过这些特征作为原始损失的惩罚项来计算风格损失和知觉损失，为了提高鉴别器对深度特征的获取和识别能力，对生成图像的细节进行修改和改进。实验结果表明，在发生器和鉴别器的网络结构相同、超参数相同的情况下，与其他图像生成算法相比，Alpine Gan GP的IS评分和FID评分得到了改善，生成图像的细节质量得到了有效提高。