具有博弈对抗思想的生成对抗网络（Generative Adversarial Network,GAN）已经成为了目前热门的生成式模型。相较于传统式生成模型,GAN不仅存在一个生成模型,还存在一个与之对抗的能够判别数据真假的判别模型。GAN在进行图像生成研究的同时,生成数据和真实数据作为判别器的输入,这种方式很好的替代了传统的数据增强,有利于图像识别。然而GAN存在许多问题如训练不稳定、难以收敛等都极大的影响其发展。因此,研究改进GAN解决存在的问题以及将GAN用于图像识别具有重要意义。本文在对国内外生成对抗网络发展及其研究成果,GAN的基本思想、训练过程以及目标函数进行分析后,针对传统GAN生成数据不可控不清晰、训练不稳定以及对输入特征提取不充分等问题,开展了以下主要工作:针对传统GAN训练不稳定,生成图像不可控不清晰问题,以生成对抗网络和残差网络为核心提出一种自注意力残差条件生成对抗网络（SA-Res-CGAN）的方法。该方法尽可能使用改进残差块代替传统卷积块,引入自注意力机制计算输入特征的权重参数,提高图像特征提取精度,并引入图像标签信息作为条件,更好的指导图像生成,最后引入梯度惩罚很好的解决了GAN的对抗训练机制易导致生成器和判别器的梯度不稳定,出现训练发散的情况。在三种不同类型的数据集上进行实验验证,结果表明SA-Res-CGAN可以生成质量更高的图像。针对有些研究者注重生成器的使用而忽略了判别器的强大特征提取能力。本文提出的SA-Res-CGAN判别器与传统GAN判别器相比,不仅进行输入数据的真假判断,而且进行输入数据的识别分类预训练,起到了数据增强的作用。提取训练好的去除真假判断全连接层的判别器构建分类器用于图像识别,其中判别器的网络结构中采用自适应平均池化,稳定输入的空间特征变化,避免模型过拟合。将SA-Res-CGAN分类器应用于两种不同类型的数据集进行实验验证,并与现有的一些方法进行对比分析,结果表明,该模型用于图像识别的有效性,进一步证明了GAN的判别器具有强大的特征提取能力。