随着人工智能的高速发展,自然语言处理等计算机技术获得了极大关注,具有很强的研究潜力。文本生成在自然语言处理领域有着重要意义,高质量的文本对于对话系统、智能翻译、文学写作、知识图谱等与自然语言处理相关的任务具有重要影响作用。文本数据由于自身的离散性和语义结构自身的复杂性,容易出现文本训练数据样本数量少、质量差、样本缺失等难题。现有的文本生成技术的研究已经有了较大的进展,但是仍存在着一定的局限性。例如基于循环神经网络的方法通过对数据概率分布显式建模,利用最大似然估计进行训练优化,但是文本等复杂数据的概率近似计算复杂,并且对训练数据的概率分布过度依赖;基于卷积神经网络的方法由于参数共享特性使得需要优化的参数数目极大缩减,但网络学习单词之间长距离依赖关系的效果较差;基于生成对抗网络的方法采用判别器去度量映射分布的优劣,但是仍存在判别器回传给生成器的信号指导性不强,导致生成器训练方向不明确的问题。针对上述问题,本文提出了一种基于生成对抗网络模型的文本数据增强算法。首先,针对生成器训练中反馈指导信号不足,本文采用增加特征指导网络的方式进行改进,将从判别器提取的高阶文本特征经过转换送入生成器进行反馈指导;其次,针对文本生成过程中采样不充分、生成文本质量差的问题,本文制定相关文本语义规则,在生成时间步进行限制,提高文本生成质量。最后,本文在合成数据、COCO文本标注、中国古诗歌等数据集上进行文本生成对比实验,结果表明在各项指标上本文提出的基于生成对抗网络模型的文本数据增强算法表现优于其他对比模型。针对提出的基于生成式对抗网络的文本数据增强模型,本文采用python语言与TensorFlow框架构建和实现了适用于文本的数据增强系统,主要包括文本数据预处理模块、文本增强任务管理模块、文本数据增强模块和文本生成展示模块等。通过进行功能和性能测试,验证了本文所设计和实现的文本数据增强系统可以改善训练数据集样本少、数据质量差的问题,可有效支撑自然语言处理任务。