信息化时代的来临伴随着数据的链式增长,从数据中挖掘分析潜在的高价值信息并用于数据驱动建模引起了科研界和工业界的广泛关注。样本的数量、样本的分布性都在一定程度上对数据挖掘信息产生影响,进而影响数据驱动建模的质量,充足的训练样本和合理的样本分布能够保障模型的鲁棒性和泛化能力。但在某些行业领域例如流程工业中,由于物理传感器本身的限制,使得某些过程数据的采集难度大、获取成本高,并且稳态工艺流程工业得到的数据重复率高、波动变化小,且获取的数据中会存在缺失值并带有一定的噪声,导致了用于建模的大量信息的遗漏和不足,从而导致了大数据环境下的小样本问题。在处理小样本问题的多种技术中,虚拟样本生成技术（Virtual sample generation,VSG）作为一项新颖有效的关键技术,有着十分巨大的科研价值与应用潜力。为生成更加有效的虚拟样本,使得可以从添加虚拟样本后的小样本数据中发掘更多可用信息,从而建立更高质量的数据驱动模型,本文首先提出了一种基于空间投影插值的虚拟样本生成技术（Space Projection Interpolation Based Virtual Sample Generation,SPIVSG）,所提方法首先利用投影点最大间距法检测原始样本空间中的稀疏空间,然后在样本稀疏空间处使用中点插值算法和空间插值算法生成虚拟样本,所提方法既从规模上扩充了样本量,也通过填补稀疏空间改善了样本的分布性。为了使样本空间分布更加合理均匀和增强高维样本可用性,又使用DBSCAN聚类技术检测聚类边界更加准确的寻找稀疏空间,并在空间插值算法中引入马氏距离来提高插值精度和高维适用性,进一步提出了基于DBSCAN聚类和马氏距离的改进空间投影插值的虚拟样本生成方法（DBSCAN-M-SPIVSG）。通过对两个不同维度的标准函数数据集和实际化工流程工业数据集精对苯二甲酸（PTA）建立梯度提升决策树（GDBT）模型来对所提VSG方法进行实验验证。实验结果表明,本文所提VSG方法是可行有效的。