深度学习在训练网络时需要大量的数据样本。生成式对抗网络（Generative Adversarial Nets,GAN）是一种深度学习模型,图像生成和数据增强是生成式对抗网络的主要应用。针对现有奶山羊图像训练样本严重不足的问题,本文以西北农林科技大学畜牧教学试验基地的奶山羊养殖场图像为研究对象,利用谱约束归一化生成对抗网络模型（Spectral Normalization GAN,SNGAN）结合残差模块实现奶山羊图像样本的生成,以达到扩充奶山羊数据集的目的。本文的主要研究内容与结论有:（1）奶山羊数据的收集与预处理首先通过视频截取和人工拍摄两种方式获取奶山羊图像数据,制作成数据集。再人工筛选侧面全身展示清晰的奶山羊图像消除与实验无关的信息,并对其按照姿势和背景进行分类,最后通过翻转和裁剪对奶山羊图像进行简单的数据增强,扩充本文实验所需的奶山羊图像数据集。（2）基于辅助分类器的SNGAN奶山羊图像样本生成研究本文提出一种基于SNGAN的奶山羊图像样本生成方法,SNGAN通过限制网络每一层的谱范数,使生成模型能够得到更充分的训练,达到与判别模型平衡对抗的效果,从而增强GAN在训练过程中的稳定性,减少模式崩溃。同时还引入了辅助分类器在原始GAN中加入标签信息来丰富生成图像的多样性,并通过小批次判别提升样本质量。（3）基于残差结构的生成对抗网络奶山羊图像样本生成研究提出一种基于残差结构的奶山羊图像样本生成方法,在生成模型和判别模型中加入残差结构,加深网络深度,提取更深层的特征信息,加强信息传递。并重新设计了两种残差结构,使之更适合本文的研究。最后与原始GAN和三种GAN的衍生模型进行实验对比,本文方法的初始得分算法（Inception Score,IS）和弗雷歇初始距离（Fréchet Inception Distance,FID）都优于其他四种模型,生成的奶山羊图像也更清晰、更多样。综上,本文基于SNGAN的奶山羊图像生成方法进行了深入的研究,对其模型训练不稳定、模式崩溃等问题提出了改进方法,并通过实验证明了改进方法的有效性,扩大了奶山羊图像数据的规模。