生成对抗网络（GANs）在图像生成任务中已展现出卓越性能。然而，GAN的训练过程本质上具有不稳定性。尽管已有大量研究通过人工调整GAN架构来尝试提升其稳定性，但这一过程高度依赖专家经验。神经架构搜索（Neural Architecture Search, NAS）为自动搜索GAN架构提供了一种极具吸引力的解决方案。早期的NAS-GAN方法仅搜索生成器（Generator, G），以降低搜索复杂度，但由此导致的架构往往并非最优。近期一些工作尝试同时搜索生成器（G）和判别器（D），但其性能仍受限于GAN训练本身的不稳定性。为缓解这一问题，本文提出一种基于高效两阶段进化算法的NAS框架——EAGAN（Evolutionary Architecture Search for GANs）。该方法将G与D的搜索过程解耦为两个阶段：第一阶段在固定判别器（D）的前提下搜索最优生成器（G），并采用“多对一”训练策略；第二阶段则基于第一阶段获得的最优生成器（G），搜索最优判别器（D），并引入“一对一”训练策略与权重重置（weight-resetting）机制，以显著增强GAN训练的稳定性。两个阶段均采用非支配排序（non-dominated sorting）方法，在多个目标（如模型规模、Inception Score（IS）和Fréchet Inception Distance（FID））的协同优化下，生成帕累托前沿（Pareto-front）架构。EAGAN被应用于无条件图像生成任务，在CIFAR-10数据集上仅需1.2个GPU天即可完成高效搜索。所搜索得到的GAN模型在CIFAR-10上取得了具有竞争力的性能（IS = 8.81 ± 0.10，FID = 9.91），并在STL-10数据集上超越了先前的NAS-GAN方法（IS = 10.44 ± 0.087，FID = 22.18）。项目源代码已公开：https://github.com/marsggbo/EAGAN。