近年来,随着软硬件各项技术的突破,各大厂商加入了自动驾驶车辆的研发中,自动驾驶技术也成为最炙手可热的研究方向。有研究表明自动驾驶车辆需要行驶至少10亿英里才能验证它在95%置信水平下拥有比人类驾驶员更好的性能,显然,对于这较高的测试要求无法通过单一的实车测试完成安全性验证,所以利用虚拟仿真技术模拟道路交通状况并以此验证自动驾驶系统安全性的测试方法极为重要。然而,使用基于专家经验的交通流建模方法或者基于机理的交通流建模方法均存在测试效率低、场景种类少等问题。因此,为丰富交通流场景并提高测试效率,本文利用对抗生成网络技术训练学习真实交通流特征,最终建立一个可以自动化生成特定交通流测试场景的模型。本文为了获得该生成模型,从选择与处理数据集、针对生成模型的合理性评价方法、训练模型的选取与改进几个方面进行研究,具体研究内容如下所示:（1）针对生成模型的具体需求,选取合适数据集,通过处理,最终获取一个符合训练要求的训练集。首先,针对本文研究的交通流特点,选取适合的汽车自然驾驶公开数据集;然后,针对选区的公开数据集选取适当的拥堵程度分类标准,对原始数据集进行去噪、补全帧、规定采样间隔、时间规范化、数据填充等处理,将原始数据集细化提取出几万个单独的交通流样本;最后,根据每一样本的特征信息进行分类并保存,获得满足训练要求的训练集。（2）为了对生成模型的样本生成效果进行分析评价,采用基于斯皮尔曼相关系数赋值权重的评价方法从准确性和多样性角度对其进行合理性评价。首先,针对交通流样本特点选取适合的评价指标;然后,对比分析不同指标权重确定方法的优缺点,根据评价指标各自的特点和不同指标间联系,选择基于斯皮尔曼相关系数的指标权重确定方法,并且计算各场景下不同指标的隶属函数;最后,生成模型生成各场景下的海量样本,根据隶属函数和指标权重计算每一样本得分,汇总生成样本的得分分布情况并与训练集样本的得分分布情况对比,分析生成模型准确性,并通过散点图形式对比训练集和生成模型各样本的指标范围,分析生成模型多样性,实现对生成模型的合理性评价。（3）基于处理获取的训练集和合理性评价方法,利用改进后的对抗生成网络（GAN）对其进行训练,最终建立一个可以自动化生成不同拥堵程度交通流的生成模型。首先,选择基础的对抗生成网络进行训练,找到训练中存在的问题以及导致训练结果不好的原因;然后,针对原始对抗生成网络的问题:梯度消失和模式崩溃,采用更换生成器和判别器的网络结构、自定义损失函数、选取适合的优化器等方式对原有网络进行改进,训练获得不同改进方法的具体效果;最后,分析对比不同改进方法的结果,确定最优的网络结构改进方案:总体结构使用有条件的辅助分类器对抗生成网络,损失函数使用推土机距离和最小二乘损失,判别器使用残差网络,生成器使用基于U-Net的多生成器网络。