人工智能的广泛应用对生产生活有着重要意义,深度学习技术的异军突起也推动着该领域各种优秀算法的不断进步,然而这些都离不开海量数据的推动。大数据时代背景下,大量且有价值的数据是不断提升人工智能算法性能的重要保障。数据量不足,质量较差,数据标注不完善是困扰每一个人工智能算法研究学者的难题。尤其在计算机视觉领域中,高质量的图像数据也是推动视觉算法不断进步的重要前提。然而因为各种技术原因或者成本原因等难以获取到大量的图像数据,这就不得不要求研究者找到更合适的办法增强现有的图像数据。现有的图像增强方法主要分为传统图像增强算法和深度学习生成方法。前者如图像几何变换、图像色彩变换、主体像素变换等方式,可以在现有的图像基础上进行增强,有效提升算法鲁棒性,增强算法的泛化能力。但是这样的增强算法也存在着对小尺度图像增强效果不佳,或是无法生成新的有效数据等问题。而后者就是基于近年来在图像生成领域有着巨大优势的生成对抗网络提出的数据增强扩充算法。这类算法不仅可以通过已有图像数据生成丰富内容的增强图像,还可以在一定程度上对少量数据进行扩充,以此解决图像增强效果差扩充难的问题。本文在分析了传统生成对抗网络以及几种改进的生成对抗网络优缺点之后,采用残差结构技术,编解码技术设计出新的生成对抗网络进行数据增强扩充。该网络在图像质量与网络训练稳定性方面都要优于几种有代表性的生成对抗网络,一定程度上解决了生成对抗网络生成图像棋盘效应问题,网络训练模型崩溃的问题。并且在结合周期一致训练流程与新的损失函数后,设计出风格迁移网络,能够对人脸图像数据进行有效增强与扩充,可以将传统人脸检测算法对遮挡人脸检测精度提升3%以上,验证生成图像提高算法鲁棒性能力。同时还使用计算机渲染的虚拟图像进行真实风格的迁移,生成武器装甲目标图像数据,解决数据图像扩充问题。通过这些实验验证生成对抗网络对图像数据的有效增强与扩充实用性,同时也为数据增强方法提供了一种有效的技术思路。