生成式对抗网络（GAN）通过对某个特定事物经过大量数据的训练学习,从而总结出其在数学层面上的分布规律,构建出合理的映射函数,从而解决现实问题。这种网络结构在深度学习领域中大放异彩,无论是计算机视觉（CV）,亦或是自然语言处理（NLP）都涌现出许多优秀GAN结构。比如可以生成图像数据集,降低人工收集和标注成本的Pro GAN;比如将文字转换为图像,为艺术提供一种新表现形式的Ti VGAN;比如对照片进行编辑,进行在线发型设计、在线衣物试穿等操作的Star GAN;比如进行照片修复、提高照片分辨率的DSD-GAN。GAN凭借其在零和游戏框架中相互竞争的设计特点遍及于各类图像处理研究中。GAN在解决大量复杂问题的同时,也从另一方面带来了一些担忧。因为其对图像可进行的操作过于广泛,同时其生成的效果也极为逼真,这对传统视觉信息的可信度和安全性产生了巨大的威胁。然而,现有鉴别方法或是针对某种特定的GAN所开发,不具备普适性;或是使用海量数据通过大量训练进行鉴别,其对设备算力的要求极高,所需时间也极长。对此,本研究通过剖析现有GAN模型的特点,探究不同GAN模型在训练、生成时的共性,寻找现有图像生成类GAN模型在生成过程中所共有的特征点,并由此提出了基于功率谱的合成图像鉴别方法,同时对数种常见GAN模型生成的合成图像进行鉴别测试,并与现有方法进行对比试验,主要完成如下工作:（1）基于GAN的合成图像在数据增强中的应用研究。采用基于域转换方式的Star GAN和基于样式混合方法的Style GAN对一组真实的正面人脸图像进行处理,生成一组基于光线、表情、角度等条件变换或轻微遮挡的合成人脸图像,并利用基于Res Net的二分类网络对合成图像进行人脸识别训练,随后将用来生成合成图像的真实图像作为测试集进行识别测试,实验证明使用合成图像训练的分类网络可以实现对于人脸的准确识别,仿真的实验结果验证了合成图像在传统的空间域中对于神经网络而言并无本质区别。（2）基于功率谱的GAN生成图像特征点研究。首先对生成类GAN的底层结构与生成原理进行分析,发现GAN模型中均包括上采样层,同时其对于图像的生成处理至关重要,而效果最好的上采样方法是转置卷积法与最近邻插值法,这会导致图像中存在许多异常的高频信息,并且无法在不损害图像质量的情况下滤除。其次对图像进行功率谱计算可以很好的突出其中的高频信息。随后对数种常见的GAN模型生成的合成图像计算其功率谱数据,并进行对比分析,实验证明常见的GAN模型生成的合成图像均存在类似的异常高频分布,并且每种GAN模型生成的高频信息均存在其独有特征,实验结果验证了利用图像中异常的高频信息作为鉴别特征点的可行性。（3）基于功率谱的合成图像鉴别研究。首先利用海量真实图像计算其平均功率谱作为一组基准数据,以该组数据作为正常情况下的高频信号分布特征。其次,以辛格函数配合权重系数矩阵的方式对基准特征分布与合成图像的异常高频信号分布进行数学建模,并利用空间差异度的计算方法,提取出每种GAN模型生成图像的高频分布特征,以实现最大程度上区分不同GAN模型生成的合成图像之间差异的目的。最后利用Res Net作为分类网络进行多分类鉴别训练,并与现有的时域鉴别方法和频域鉴别方法进行对比实验,证明基于功率谱的鉴别方法具有更低的时间复杂度和更高的鉴别准确率,实验结果验证了本研究不仅可以实现对合成图像的高效鉴别,亦可以对合成图像的生成模型准确溯源。