对基因表达谱数据的分析研究,有助于寻找肿瘤相关的致病基因,能够为肿瘤的临床诊断和治疗提供相应的技术支持。然而,基因表达谱数据集样本量少的特性影响基于数据驱动的机器学习算法对其处理的性能,因此有必要对其进行数据增强。作为一种应用广泛的数据增强方法,基于梯度惩罚的条件Wasserstein生成对抗网络（CWGAN-GP）能够生成高质量指定标签的样本。然而,在对基因表达谱数据进行数据增强时,CWGAN-GP仍然存在生成样本多样性不足、生成样本分布不稳定和部分生成样本失真的问题。因此,在CWGAN-GP改进的基础上,本文提出两种适用于基因表达谱数据的数据增强方法,主要工作包括:（1）为解决生成样本多样性不足以及生成样本分布不稳定的问题,提出一种基于生成空间约束CWGAN-GP的基因表达谱数据增强方法（Gene-CWGAN）。首先,为解决生成样本分布不稳定的问题,提出一种基于样本离散度的数据集划分策略。该策略能够让训练集分布和真实分布尽可能接近,保证训练集分布的真实性,从而稳定生成样本的分布。其次,为解决生成样本多样性不足的问题,通过重新定义生成样本的生成空间并提出基于生成空间的约束惩罚项,将生成空间的强限制变成弱限制,进而提升生成样本的多样性。在多个基因表达谱数据集上的实验结果证明,Gene-CWGAN相比于其它相关方法生成的样本拥有更好的多样性和分布稳定性。（2）为解决由于生成对抗网络波动性引发的部分生成样本失真的问题,提出一种基于自适应代理模型Gene-CWGAN的基因表达谱数据增强方法（Gene-CWGAN-APS）。首先,通过构造出一种具备渐进性训练的代理模型对生成样本的质量进行评估。其次,通过设定质量阈值参数的方式对生成的样本进行质量筛选。然而,为了在面对不同数据集时算法能够自适应地选择出最优质量阈值,提出一种基于惯性权重分群的粒子群优化算法用来自适应式地优化不同数据集的质量阈值。实验结果证明所提出的方法能够有效过滤掉失真的生成样本,从而保证生成样本的质量。（3）设计并实现基于生成对抗网络的基因表达谱数据增强系统。采用JS进行系统的操作界面设计,利用Java和Python实现系统的业务逻辑和核心算法。该系统包含用户登录模块、用户信息管理模块、数据增强模块以及数据预测模块。通过系统的实现验证本文所提方法的有效性和可用性。