毫无疑问,数据是现如今信息化社会最为重要的东西。随着机器学习和人工智能领域的快速发展,许多研究领域借助深度神经网络取得了很好的研究成果。数据生成和对抗研究同样依靠深度卷积神经网络取得了很大的进步。在数据生成研究上,压缩感知结合卷积神经网络是许多研究者研究的重点。并且这几年许多研究者们把神经网络和压缩感知结合来实现数据生成工作。另一方面在数据对抗研究上,许多研究者在数据生成的基础上引入对抗学习的概念,来实现数据样本的对抗学习。本文基于深度卷积神经网络,在数据生成和数据对抗上做了以下两点工作:首先对于数据生成研究,我们基于图像数据把压缩感知和深度卷积神经网络结合。我们设计了一个深度神经网络模型LDIT_CSnet用于单采样率下的自适应图像压缩重构,并且在深度神经网络中加入了残差学习去噪的思想。在我们的网络模型中,压缩信号值不仅用来得到初始重构,还用来在深度网络迭代过程中提高重构生成精度。在现有研究上,许多研究者为了获取采样层的自适应性而局限了模型采样率的多样性。因此我们在LDIT_CSnet的基础上提出了一种多采样率模型Multi LDIT_CSnet用于多采样率下的图像压缩重构,Multi LDIT_CSnet在网络模型中使用一个公共深度迭代将多种采样率通道进行融合。最后,我们使用本文提出的模型设计了大量的实验和现有研究进行比较,我们提出的模型方案无论是单采样率模型还是多采样率模型,都对数据生成的精度有了进一步提高效果。其次对于数据对抗研究,我们参考图像对抗研究将WIFI数据和对抗学习进行结合,本文提出了WIFI-ATN网络模型解决了WIFI数据在多任务分类情况下的隐私保护工作。我们首先定义了WIFI数据的多任务分类场景,然后探讨了在实际场景中WIFI数据隐私保护的重要性。然后基于深度卷积神经网络,我们设计了一个WIFI-ATN对抗模型来实现WIFI数据的保护样本对抗工作,并且对保护类型设置了无偏差目标保护和有偏差目标保护两种类型。无偏差目标保护指的是WIFI数据经过WIFI-ATN保护后会隐藏正确的分类结果。有偏差目标保护指的是WIFI数据经过WIFI-ATN保护后不仅会隐藏正确的分类结果还会预测成某个指定的错误分类结果。然后,根据这两种保护类型我们详细设计了WIFI-ATN模型的训练方案、损失函数和数据处理。最后,我们设计了大量实验验证了WIFI-ATN在WIFI数据的对抗学习上具备很好的隐私保护效果。