近几年随着硬件性能的不断升级,越来越多基于深度学习的人工智能应用正在不断走进我们的生活中,从基于自然语言处理技术的语音助手和机器翻译,到基于计算机视觉技术的图像识别、检测和分割,无一不为我们的生活提供了极大的便利。但是值得注意的是,深度学习应用的成功与否,是取决于训练数据量的规模的,比如计算机视觉领域的大规模图像数据集ImageNet[1],经过它训练的模型才能在多种数据场景下都取得不错的泛化能力,否则,对于在小规模的数据集上训练得到的模型,将会过于局限,造成过拟合的问题。因此,本文将研究重点聚焦于深度学习中的数据增强技术,用以将小规模数据集进行扩充,从而增强模型的泛化能力,我们主要针对的数据类型是图像数据。有关图像的数据增强,可以通过对原图添加一个微小的扰动,或是对图像局部信息进行改变等方式来实现,这些方法也早已被证明是有效的。而近年来又涌现了一批通过图像混合的方式进行数据增强的研究工作,同样也取得了不错的成效。经过研究发现,我们可以从图像重心生成的角度去重新看待这些方法,比如Mixup[2]方法本质上就是在寻找图像在欧氏空间下的重心,因此我们基于这种角度,提出了两种新颖的图像重心生成方法,其一为基于Wasserstein重心的OptTransMix方法,另一个为基于深度神经网络隐含空间下图像重心的AutoMix方法,我们通过对比实验,验证了本文的两种方法在数据增强方面的有效性,并且在开集问题和对抗噪声的鲁棒性方面也取得了不错的实验结果。此外,我们还开发了一个图像识别的平台,用以对计算机视觉相关的需求进行快速验证,并将本文的两种图像混合方法集成到其中,作为小规模数据集数据增强的有效手段,在研究生期间,该平台在多个项目的评估过程中得到了有效的应用。