爆炸冲击波测试为动态测试,可评估武器毁伤效能,准确测试冲击波相关参数对武器研制至关重要。冲击波信号属于非平稳随机瞬态信号,具有传播速度快、频谱覆盖范围广、幅值动态范围宽的特点,对冲击波测试系统的动态性能提出了较高的要求。受制作工艺的限制,压力传感器的工作带宽成为冲击波测试系统的瓶颈。为了提升压力传感器动态性能,降低测试系统动态误差,本文引入生成对抗网络（GAN）,搭建传感器动态补偿模型,主要解决了模型求取过程存在的数据量不足以及模型准确度不足的问题。深度学习算法需要以大量数据作为训练前提,而在冲击波测试中,数据获取过程会对压力传感器造成损伤,仅通过试验获取的数据来构建数据集,会对传感器造成严重损耗,还会耗费大量人力和物力以及引入更多不必要的人为误差,影响数据的质量,进而导致数据无法使用,所以本文引入改进的深度卷积生成对抗网络（DCGAN）对测试的数据进行数据增强。并结合超量训练方法及对损失函数的优化,进一步优化增强数据的多样性及数据特征。结果表明增强数据具备良好的多样性,同时包含目标传感器固有的谐振频率点,可以用于建立传感器动态补偿数据集,补充增强数据构建的数据集得到的补偿结果相比于原始测试数据集,超调量降低了5.28%左右,上升时间提升了16.00μs。以语音增强生成对抗网络（SEGAN）为基础网络,并针对动态补偿对生成器进行改进,最后结合增强的动态补偿数据集,实现传感器动态补偿模型的求取。模型训练过程以激波管数据为基础,测试显示,求取的模型可以实现将原信号超调量由119.82%左右降到5.03%左右,上升时间维持在2.00μs左右。对炮口冲击波信号进行补偿,补偿后的超压峰值由0.1119降为0.0968更接近于实际冲击波。动态补偿结果显示,该方法有效抑制了传感器的谐振频率,补偿后的数据可获取冲击波特征参数,证明动态补偿模型能够有效提升压力传感器动态响应性能和测试精度。将深度学习中的生成对抗网络应用到动态补偿领域,证明了数据增强的可行性和实用性,动态补偿的泛化性和优越性。得到的补偿模型易于调整、适应性强,实现了动态补偿的简洁化、智能化和高精度。