在现有的图像分类和物体检测等任务中,研究人员经常遇到数据集规模不够、样本分布不平衡、数据代表性不足等问题。针对这些问题,人们提出了许多数据增强方法。生成对抗网络作为一种生成模型,能够经过训练生成新样本数据,近年来已成为解决这一问题的有效途径之一。使用生成对抗网络来进行图像数据增强的方式一般可以分为两种:一种是通过生成对抗网络直接生成大量样本数据,从而对图像数据集规模进行扩充;另一种是通过生成对抗网络对图像进行变换,使用原有图像特征并生成具有新特征数据以进行数据增强。本文分别对这两种方法进行了系统研究,具体工作如下:1、通过生成对抗网络直接生成图像时,因为样本数据分布复杂、网络表达能不足等原因,生成对抗网络可能会发生模式崩溃问题,从而造成数据重复、样本分布不均匀。对此,本文提出了一种新的基于多分布输入的生成对抗网络。本文所提出的多分布生成对抗网络使用高斯混合分布代替生成对抗网络中的单一分布作为输入数据;同时,在训练过程中,根据判别器和生成器的损失函数变化对多分布进行优化,使其能更好地生成输入数据,避免模式崩溃。本文以染色体图像生成为例,使用多分布生成对抗网络对染色体图像数据集进行扩充,达到了提升染色体分类准确率的效果。除此之外,本文还在高斯散点数据和MNIST数据集上对多分布生成对抗网络对于模式崩溃问题的有效性进行了验证。2、在对已有图像通过变换来进行数据增强时,生成对抗网络可能会遇到生成样本质量不高、边缘特征不清晰的问题。对此,本文提出了一种新的形变生成对抗网络,有效解决了字母图像数据增强的问题。该网络在生成器部分增加了输入字母的形态特征,判别器部分增加了期望生成的信息;此外,本文所提出的形变生成对抗网络还对损失函数进行了改进,在生成对抗损失函数基础上添加了均方误差和感知误差作为损失函数,从而提高了所生成的字母图像的质量。本文以ICDAR2015文字数据集为例,用形变生成对抗网络进行训练,并通过文字检测算法对增强前和增强后的对比评测,验证了本文所提出的网络在数据增强方面的效果。