近年来,肿瘤作为临床上的常见疾病,发病率逐渐上升。切片检查是肿瘤诊断的重要依据,存在效率低、易产生人为误差等缺点,因此需要一种自动诊断方案辅助医生进行肿瘤识别。数据驱动的深度学习模型是目前最优秀的图像识别方法之一,胃肿瘤细胞图像作为典型的小样本数据,需要经过数据增强才能够进行训练。传统的数据增强方法如旋转、剪裁等效果有限,难以满足胃肿瘤细胞图像数据集的要求,而生成对抗网络(GAN)的提出和发展,为数据增强带来了新的发展方向。使用GAN实现胃肿瘤细胞图像数据增强时,存在GAN训练困难、训练缓慢的问题,针对该问题使用WGAN生成胃肿瘤细胞图像;为了提高数据增强的效果,对WGAN进行了改进以改善生成图像的质量。针对Alex Net存在的收敛速度慢、识别率低的问题,对Alex Net进行了改进,并将其应用于胃肿瘤细胞图像的识别。首先,使用WGAN对胃肿瘤细胞图像进行数据增强。GAN生成胃肿瘤细胞图像时,存在训练困难和训练缓慢的问题,使用WGAN可以有效改善上述问题。WGAN使用能反映分布差距的Wasserstein距离作为损失函数,并使用梯度惩罚满足Lipschitz连续条件。对比实验表明WGAN具有更稳定的训练过程和更快的训练速度,但数据增强实验表明WGAN生成图像的清晰度有待提高。然后,对WGAN进行改进以提高生成图像的质量。由于卷积的长期依赖性实现代价较大,因此WGAN对位置关系的学习能力有限。改进WGAN在生成器和判别器中增加自注意力机制以提高网络学习位置关系的能力;引入谱归一化以稳定训练过程;使用理论更完备的Wasserstein散度作为损失函数,同时取消了梯度惩罚。与WGAN的量化对比表明,改进WGAN的生成图像具有更高的清晰度;实验结果表明改进WGAN具有更好的数据增强效果。最后,使用改进的Alex Net对增强后的胃肿瘤细胞图像进行识别。由于Alex Net参数量少且在医学数据上表现优良,使用Alex Net实现胃肿瘤细胞图像的识别。针对Alex Net存在的收敛速度慢和泛化性能差的问题,采用替换激活函数和归一化层的方式加以改进;并进行了多次实验以最大化改进WGAN的数据增强效果。实验结果表明,将增强数据与改进Alex Net结合的方法能够较好实现胃肿瘤细胞图像的识别。