近年来,深度学习在计算机视觉领域取得了突飞猛进的发展,在人脸识别、街景识别等方向得到了广泛的应用。因其强大的自动化和智能化能力,也受到了工业领域研究人员的广泛关注,例如,研究人员已开始尝试将深度学习与变电站巡检机器人相结合,以实现对变电站仪表的自动化监测,替代人工完成重复、危险的运维工作。但深度学习也有其局限性,当图像数据充足时,神经网络可以自主学习图像特征,获得较高的分类准确率。然而,在实际工业环境中,充足的数据很难获得,经常因为数据不足,即数据存在小样本问题,而导致准确率达不到要求,限制了深度学习在工业界的发展。本文以小样本场景下的指针式仪表指示状态的分类问题为研究对象,主要研究内容包括:（1）本文建立了具有小样本问题的仪表数据集,针对小样本数据集分类准确率低的问题,研究了模型结构及参数初始化方式对仪表指示状态分类准确率的影响,选择指示状态分类准确率最高的ResNet模型结构,并使用在ImageNet数据集上预训练的网络模型参数初始化网络,与常用初始化方法相比,获得了更高的分类准确率。（2）研究了深度生成对抗网络结构、损失函数及约束条件,设计了 Emphasis-GAN结构,与原始深度生成对抗网络相比,生成样本的质量和多样性均有所提高。将Emphasis-GAN的生成样本加入原始仪表数据集,得到了更高的分类准确率。（3）针对没有统一标准评价生成对抗网络性能的问题,采用不同的评估方法对Emphasis-GAN进行评估,评估结果表明,与现有的网络结构相比,本文方法的生成样本的质量更高、多样性更好。通过对比实验,验证了采用Emphasis-GAN结构的数据增强方法可以有效提升仪表数据集的质量和多样性,有助于提高仪表指示状态分类准确率,满足危险状态检测要求,消除安全隐患。对解决实际工业环境中数据不足的问题具有重要的参考价值。