基于大规模数据的深度学习研究,在现实世界中,其训练所需上千万、上百万数据的获取以及标注均困难重重,耗费巨大的人力、财力,因而有效获得大量的训练数据是深度学习面临的一大难题。生成对抗网络的出现对解决样本数据不足的研究起到极大的促进作用,但生成对抗网的训练过程中,模型易崩溃,训练过程不稳定,难以收敛等问题,导致生成网络生成图像质量差、无法生成图像或者生成单一。因此,为获取大量的数据,以提升网络泛化推广能力避免网络的过拟合甚为重要与迫切,本文就生成对抗网络在图像数据生成方面的技术进行研究,主要工作和研究成果如下:(1)针对生成对抗网络训练不稳定、难收敛等问题,本文研究并分析了生成对抗网络训练困难的原因,提出了一种基于谱约束的生成对抗网络,该方法引入谱范数归一化层,将梯度限制在1-Lipschtiz条件下,减缓了判别网络的过快收敛,提升了模型的稳定性。(2)针对生成图像质量不高的问题,提出了一种基于残差结构的生成对抗网络,该方法引入残差结构来加深生成器模型与判别器模型的网络深度,提升了生成器模型与判别器模型对于深层特征的获取能力,增强了网络的表达能力,进而提高了网络的生成图像质量。(3)针对生成图像数据对数据集扩充的有效性,在相同实验平台与环境下对小规模数据集进行扩充,对比分析了扩充不同倍数后与初始数据集在分类网络上的识别准确率等,实验表明,生成图像数据能够改善网络的收敛性提升网络的识别准确率,能可靠且有效地缓解图像数据匮乏的问题。综上,本文针对生成对抗网络在图像数据生成方面进行了深入的研究与讨论,并对其在训练不稳定易崩溃以及生成图像质量不高的问题上提出了的改进方法,通过实验证明了方法的有效性,生成数据明显提升识别网络能力。