探地雷达(Ground Penetrating Radar,GPR)作为一种高效的无损检测技术,已被广泛应用于土木工程领域中。基于深度学习的智能方法是解决GPR图像人工识别效率低等问题的发展方向,但在实际应用中,常因数据集样本不足导致目标图像特征识别精度差、虚警率高等问题。针对GPR图像数据短缺采集困难的问题,本文提出了一种基于深度卷积生成对抗网络(Deep Convolution Generative Ad-versarial Networks,DCGAN)的GPR成像方法,如图1所示,在传统生成对抗网络的基础上,引入卷积神经网络(Convolutional Neural Network,CNN)进行无监督训练,利用CNN强大的特征提取能力,以获取图像更深层次的特征,从而提高图像生成网络对有限数量且类别多样性训练样本的学习能力,完成高精度GPR数据成像的任务。实验结果表明,本文提出的DCGAN网络通过对800张训练图片进行无监督学习,迭代500次后能够通过模拟GPR图像数据集的双曲线特征并生成高精度GPR剖面图,如图2所示,在一定程度上解决了GPR数据采集困难、仿真耗时等问题,为建立GPR数据库生成提供了新思路。