植物叶片病害识别是农业和图像处理领域共同关注的重要课题。目前大多数病害识别的研究都基于神经网络,而成功的神经网络包含较多的参数,使用有监督的神经网络模型进行叶片病害识别需要充足的样本进行训练。而在现实生活中,由于标记样本的代价较高或病害发病率较低等因素,往往得不到充足的训练数据,这是目前植物病害识别研究的一个普遍挑战。因此,需要寻找一种能够生成病害图像的数据增强方法,解决训练样本不充足问题,以满足深度学习训练所需的基本数据要求,这对于改善病害识别的精度具有重要意义。目前,数据增强方法主要包括传统方法,基于学习的方法和基于生成对抗网络的方法。其中传统的增强方法没有一致的目标,会产生大量的冗余样本。基于学习的增强方法训练时间较长,占用资源较多,具有局限性。而目前已有的基于生成对抗网络的增强方法忽略了叶片中关键的局部病害信息,不能够生成具有清晰病斑的图像,生成的扩充数据集甚至会降低叶片病害识别的性能。为了解决以上问题,本文针对叶片病害数据,基于生成对抗网络对叶片数据增强方法进行研究。并利用生成的数据建立扩充数据集,以改善神经网络在病害识别上的性能,主要研究内容有以下两点:（1）针对叶片病害识别训练样本较少的问题,提出一种融合残差注意力块的生成对抗网络（Residual Attention Blocks attached ACGAN,RA＿GAN）,用于生成病害叶片数据,并建立原始数据和生成数据的扩充数据集,以解决识别网络训练所需大量数据的问题。首先,微调生成对抗网络的网络结构,以生成特定尺寸的叶片图像。其次,在生成器中加入残差结构,加深网络的深度,使生成器能够学习到叶片中的高级特征。并在残差结构中融合注意力机制,使生成器关注叶片中的病害信息,指导生成病害特征明显的叶片,从而改善识别网络的性能。实验结果表明,改进后的网络模型能够生成病害特征明显的叶片,使用该模型生成的图片构建的扩充数据集,能够改善多个识别网络的性能。（2）针对RA＿GAN生成的病害叶片多样性差,细节和纹理粗糙的问题,提出一种改进RA＿GAN的数据增强方法RAHC＿GAN（Residual Attention Blocks and Hidden Parameter Label attached Multi scale ACGAN）。首先,将隐参数拼接到输入噪声中,控制生成的同种病害叶片上的类内差异,改善生成的同种病害叶片间的多样性,同时在损失函数中引入隐参数损失,增加生成叶片的多样性。其次,引入多尺度判别器丰富生成图片的细节纹理。多尺度判别器可以增加判别器的感受域,丰富生成叶片的纹理及边缘信息,使生成的叶片整体更完整,细节更丰富,纹理更清晰。实验结果表明,改进后的增强方法提高了生成图片的多样性,并且所构建的扩充数据集能够进一步提高叶片病害识别分类器的性能。最后,本文搭建叶片数据增强系统。通过系统可以直接使用本文训练好的模型进行叶片生成。同时也可以通过页面交互自定义参数训练RAHC＿GAN,并通过测试功能展示和保存生成的叶片。为用户提供端到端的数据生成方式,满足特定的实际需求。