随着深度学习技术的兴起和硬件设备的高速发展,人类正逐步进入人工智能时代,而图像识别是人工智能领域应用最广泛的技术之一,研究提升图像识别性能具有重要意义。本文基于生成式对抗网络,结合发票图像自动识别相关问题,研究并提出印章消除、图像超分辨率处理以及丰富手写体数据集的三种网络模型,包括SealGAN网络模型、ESRGAN网络模型和HWGAN网络模型,以提升图像识别性能,并进行实验对比分析。论文主要内容如下:首先提出了用于消除印章的新网络架构-SealGAN网络。基于CycleGAN网络的循环结构,SealGAN设计两个独立的分类器来取代判别网络;并基于UNet和ResNet结构设计SealGAN的生成网络,同时针对印章的特点来调整生成网络。结合发票印章处理问题,分别采用CycleGAN-Unet、CycleGAN-Resnet和SealGAN三种网络模型进行印章消除实验,并基于网络综合性能评价指标对三种网络模型进行评价,实验结果表明SealGAN网络的有效性。其次分析对比了典型的图像超分辨率处理方法,包括基于传统图像处理的超分辨率、引入深度卷积神经网络的SRCNN模型以及引入生成式对抗网络的SRGAN模型。基于带条件的生成式对抗网络cGAN,引入了辅助编码器,提出了全新的超分辨率模型-ESRGAN网络。结合不同发票图像,分别采用双线性插值放大、Sobel算子、拉普拉斯算子、SRCNN网络、SRGAN网络以及ESRGAN网络进行超分辨率处理实验,对比分析不同方法的处理效果。最后针对手写体汉字中出现的各种生僻字,由于其数据集较少,无法训练自动识别网络,提出了用于生成手写汉字的HWGAN网络,可丰富手写汉字数据集。网络采用了特殊的训练方式,引入了 PSNR指标作为相似性损失,缓解原始版本的生成式对抗网络所存在的模型坍塌缺陷。实验结果表明,HWGAN网络可根据汉字的打印体很好地生成相应的手写体,而且生成的手写体具有不同风格。