西夏文字的智能识别对基于西夏古籍文献的西夏学研究具有重要的研究意义和应用价值,样本数据集是开展字符识别研究的基础条件。在手写西夏字符样本集的建立过程中,由于样本来源的限制,遇到了各类别字符之间样本数量分布不平衡的问题,很大程度上影响了深度学习模型的训练和识别效果。针对这一问题,本文提出基于GAN的手写西夏文字样本生成研究,利用生成对抗网络生成手写西夏文字新字符样本扩充手写西夏字符样本集。基于以上问题,本文进行以下内容的研究工作。1)网络优化策略方面:提出基于Wasserstein距离的损失函数,以解决传统GAN所采用基于JS散度的损失函数所导致的梯度消失和模式崩溃问题,同时在损失函数中增加标签约束条件,指定GAN生成器生成样本的类别;2)网络架构方面:提出U-Net架构的GAN生成器设计,并对U-Net进行改进设计,利用U-Net架构多层级编解码,以及跃层连接的特点,更准确地提取特征信息,提高生成图像的质量;3)GAN生成样本的相似度检测和模型评估方面:对生成的手写西夏字符样本进行相似性检测和模型的FID评估,研究不同GAN模型生成的手写西夏字符样本与原始的手写西夏字符样本之间的相似程度,并选择出FID得分高的GAN模型进行手写西夏字符样本集的扩充;4)经典深度模型识别准确率方面:对扩充前后的手写西夏字符样本集进行经典深度识别模型的识别准确率研究,扩充后的平衡手写西夏字符样本集识别准确率远高于未扩充的不平衡手写西夏字符样本集。最后,经实验结果验证以及对生成样本的检测评估,证明本文所提出的方法在样本生成的图像质量、真实性及同类样本多样性方面均有所提升,为建立类别完备、分布均衡的手写西夏字符样本数据集提供了较为理想的技术支撑。