中医药是中华文化的重要组成部分,在数千年的发展中保留了大量经典的中医药书籍和处方,生成了十分具有研究价值的数据。为了更好的挖掘和分析中医药处方数据的价值,本文收集了《中国药典》以及经典古籍中的草药和处方数据并对其进行了清洗整理,在此基础上开展了两项研究工作:（1）为了更加了解常见中医处方生成过程等知识,本文对中医药数据进行了挖掘与分析,为后续深度学习模型提供和选择高质量数据工作做准备;（2）利用生成对抗网络探索中医药处方生成和推荐,通过了解不同深度学习网络模型的特点和应用,搭建了合适的GAN进行处方生成实验并与其他模型的生成结果对比。具体研究内容如下:（1）利用常见数据挖掘技术对中医药各数据属性内容之间的规律和联系进行了探索,比如处方和草药、草药对、功能和症状等属性之间的关系。这不仅可以了解、验证中医经典理论和问诊原理,如理法方药、草药对搭配等;还对生成模型训练数据集的选择有很大帮助,包括输入的数据内容、条件及格式要求等。（2）通过了解不同网络的结构、实验效果以及适合于离散文本序列生成的网络结构,比如RNN、LSTM、GAN等,探索适合处方文本序列生成的模型,最终决定在GAN的基础上搭建适合的生成对抗网络,改变其结构和参数用以生成新处方。除此之外为了使生成数据更具有针对性还利用CGAN进行了条件实验,与以往CGAN多用于连续的图像数据生成工作不同,本文需要将离散的文本处方序列与条件生成模型相结合,利用症状、功能等标签进行训练,在此过程中利用reward值克服了CGAN无法传递梯度的问题。为了提高训练模型的通用性,避免过拟合,文本数据增强技术被用于提高数据的规模和质量。本文创新性的提出了利用生成对抗网络进行中医药处方生成推荐的想法并对相关工作进行了探索研究,搭建合适的生成对抗网络进行了处方生成推荐,同时克服了在CGAN在处方文本生成工作上的困难。这些工作不仅可以有效整合中医药数据、探索其内在规律以及潜在语义,对传统文化的收集和传承也有相当重要的作用。通过与LSTM生成的结果进行比较,进一步验证了生成对抗网络在处方序列推荐工作上的可行性与优秀效果,这不仅有利于发现新的处方构成,对中医药的创新以及线上医疗的问诊也有一定的作用。