伴随遥感技术的发展,遥感图像被广泛应用到变化检测、遥感解译等领域。但是,遥感图像匮乏、质量不佳以及多样性不足的问题限制了遥感解译等后续研究的性能提升。众多研究表明,数据增强是解决上述问题的有效手段。该方法通过学习训练样本的数据分布,合成逼真的遥感图像,达到数据扩充的目的。因此,本文基于生成对抗网络,构建了两个用于遥感数据增强的图像生成模型,可以生成富有变化的高质量图像,并大大缩短生成时间,为遥感解译等算法提供数据支持。传统数据增强算法基于图像处理的基本原理,对原始图像进行几何变换或者随机扰动像素值,虽然扩充了图像数量,但是无法获得对应的图像标签且生成图像的质量不佳。近几年基于神经网络的数据增强算法在生成图像的质量上有所提升,但是生成时间较长且生成的图像单一,并且应用到遥感图像领域的研究很少。针对现有数据增强算法的不足,本文基于我国境内实际的遥感图像提出了两个生成模型,主要工作如下:1)提出了一种基于深度监督的生成对抗模型D-s GAN（Deeply-supervised GAN）用于生成遥感图像。由于目前遥感领域的深度学习算法大部分属于有监督学习范畴,需要生成图像对应的标签,同时对生成图像的质量和生成速度提出更高的要求。综合考虑上述因素,本文将“图像分割图+随机噪声”的融合结果作为输入,在生成图像的同时生成标签;该模型的生成器采用Unet++结构,下采样过程创新性引入遥感图像分割图修正,减小图像的语义损失,提高了生成图像的质量;为了节约生成图像的时间,使用多个判别器对生成器的子网络进行监督。实验结果验证,该模型相对于Co GAN、Sim GAN、Cycle GAN在FCN-scores上的表现更优,同时获得更短的生成时间。此外,图像分割图的引入使生成的样本带有对应的标签,可以满足有监督学习的需求。2)提出了一种基于文本描述的生成对抗模型BTD-s GAN（Basing Text Deeplysupervised GAN）用于生成遥感图像。针对目前数据增强算法生成的遥感图像多样性不足,本文在图像生成过程中引入文本特征约束,构建了BTD-s GAN模型。具体工作如下:一,生成器采用Perlin噪声、编码后的文本特征向量作为输入;二,生成器和判别器使用文本特征约束下采样过程;三,生成器的子网络被两个结构相同的判别器监督。实验结果表明,该模型相比目前基于文本描述的生成模型可以获得更快的生成速度,生成的图像更加丰富。本文从不同角度出发构建了以上两个模型。D-s GAN模型主要解决生成图像质量不佳、生成图像标签不足、生成图像速度较慢的问题;BTD-s GAN模型主要解决生成图像多样性不足的问题。为测试模型效果,本文基于中国安徽、江西两省的遥感数据进行图像生成并用于中国水利部的遥感解译项目。最终结果表明,模型生成的遥感数据帮助解译网络提高了9%的精度,本文所提模型满足实际生成需求。