在机器学习与数据挖掘领域,数据集时常存在类别不平衡问题,这往往会对分类算法产生一定的负面影响。对不平衡样本进行扩充,在数据层面恢复数据集的平衡性,是解决此问题的一种较为通用且有效的方法。对于低维数据,已经有多种经典算法可以进行有效的数据扩充。对于高维图像数据,一般可采用图像变换方法增加样本数量。这种方法在一定程度上可以减轻类别不平衡问题给分类器带来的负面影响,但效果非常有限。作为一种强大的生成模型,生成对抗网络能够学习到数据的真实分布,生成符合原始样本分布的高质量人工样本。利用这个性质,本文使用改进的生成对抗网络模型来增强图像数据,以提高深度学习分类器在不平衡图像数据集上的分类效果。本文的主要贡献包括:（1）提出了判别信息优化条件胶囊生成对抗网络。首先,该方法使用胶囊网络对生成对抗网络的判别器进行改进,并成功将条件约束信息加入到胶囊判别器中,提高了判别器的判别能力。此外,针对生成对抗网络在不平衡数据集上生成数据偏向负类样本的问题,通过优化判别器的输出,使其对数据类别信息更加敏感,提高了生成器生成正类样本的能力。（2）提出了生成器信息增强生成对抗网络。首先,该方法利用预训练变分自编码器对生成对抗网络的生成器进行初始化,使得生成器在对抗训练之前就能获得所有类别数据的全局信息,从而增强对抗训练的稳定性。此外,生成对抗网络判别部分引入独立的分类器,在训练过程中为生成器提供额外的分类信息,有效缓解了在不平衡数据集上生成数据偏向负类样本的问题。实验结果表明,在多种类别不平衡图像数据集上,本文方法能够生成符合类别条件的高质量多样性图像样本。相较于其他算法,在经本文方法增强后的数据集上,深度学习分类器性能得到了显著提高。