随着深度学习方法对计算机视觉、自然语言处理等领域的显著改善,人们逐渐认识到了海量数据对模型的重大意义。但是,海量数据往往呈现出显著的不均衡性,而这种数据不均衡问题在一定程度成为制约深度学习模型后续发展的重要因素。传统的数据处理、模型优化方法难以应对深度神经网络模型在解决复杂问题过程中遇到的各种不均衡数据以及悬殊的不均衡比例。同时,生成对抗网络在图像生成领域取得的显著突破,让研究人员意识到了生成对抗网络在生成数据方面的巨大潜力。因此,结合生成对抗网络的生成能力来改善模型在数据不均衡情况下的性能,成为一个值得研究的课题。本文以视觉关系检测和台风强度估计任务中的不均衡问题为主要研究内容,探索生成对抗网络在解决不均衡问题中的作用。本文提出了基于生成对抗网络的特征激活方法,通过视觉关系中物体之间的语义信息和空间信息来激活视觉特征的方式提升视觉信息的关系相关性,并且利用生成对抗网络生成激活权重的方式来缓解关系检测任务中数据不均衡导致的训练不充分问题。最后,在VRD数据集上的多项实验结果显示提出的模型在Zero-shot子任务的结果超过了数据集中的最好结果,证明了生成对抗网络在解决视觉关系检测中的不均衡问题的有效性。同时,本文提出了基于上下文感知的CycleGAN模型通过学习不同强度台风之间的演化特征,来生成特定强度台风的视觉特征,进而实现平衡不同强度台风样本数量的目标,解决台风强度估计任务中的不均衡问题。在台风数据集中的相关实验验证了算法的有效性。