本发明公开了基于语义分形的可解释GAN的图像生成训练方法及装置，将传统的GAN模型修改为一个可解释的GAN，使得其高层的特征表示是明确且一致的；在可解释GAN中，同一层的所有滤波器“学习着”被相同的部分激活，从而使得GAN内部的特征表示清晰且一致的语义信息；本发明在无需额外标注，仅使用正常的训练样本的情况下，设计分形损失函数，约束GAN的特征表达，使其自动地学习关注物体重要的部分；通过同时优化GAN原本损失函数与分形损失函数，在提升GAN内部特征可解释性的同时，也保证了GAN生成图片的质量。