图像的行为识别是计算机视觉领域的一个重要研究方向,但是目前的图像行为数据集类型单一、数据量较少,并且难以自行大量收集,无法满足行为识别的相关研究。因此,如何在行为图像稀少的环境下进行有效的数据增强成为图像行为识别研究的一个重要问题。近些年,随着深度学习技术的快速发展,生成对抗网络为数据增强研究提供了新的思路,相较于传统的数据增强方法,生成对抗网络可以扩展数据的多样性,具有重要的研究意义。本文基于SAGAN进行改进,提出CAGAN模型并将其延伸,通过图像行为识别实验来验证各模型的行为图像数据增强效果。具体研究内容如下:1.由于现在基于生成对抗网络的人体行为图像数据增强相关研究十分稀缺,本文首先使用多个基础生成对抗网络模型对小数据量人体行为图像进行生成,对比各个基础模型在人体行为图像上的生成效果,寻找适合进行行为图像数据增强的基础模型。经实验对比,本文最终以自注意力生成对抗网络SAGAN作为本文研究改进的基础网络。2.针对SAGAN在进行人体行为图像生成时,图像局部特征学习不足、图像生成效果较差的问题,本文在SAGAN模型的基础上进行改进,提出了一种复合注意力生成对抗网络（Compound Attention Generative Adversarial Network,CAGAN）。CAGAN将SAGAN中的自注意力机制改进为复合注意力机制,能够更好地兼顾人体行为图像的局部特征和整体特征,生成更为真实的人体行为图像。此外,本文将复合注意力网络CAGAN与条件生成对抗网络CGAN进行融合,形成有条件的复合注意力生成对抗网络（Conditional Compound Attention Generative Adversarial Network,C-CAGAN）,以人体行为图像的类型标签作为条件,使C-CAGAN能够在不影响生成能力的情况下,同时生成多种行为类型的数据,更加方便地生成人体行为图像。3.针对生成对抗网络生成的行为图像多样性不足的问题,本文根据人体行为与图像背景、人体姿态、相关道具等因素直接相关这一特点,设计了一种基于CAGAN的人体行为图像多层生成模型。该模型使用语义分割网络Deep Labv3+,将人体行为图像的背景、人体姿态、相关道具分层生成,并在生成过程中添加辅助类数据（例如背景、相关道具、基础人体姿态等）进行调控。由此提高了图像的多样性,提升了高质量生成图像的利用率。通过实验研究表明,该模型能够生成更加丰富的行为数据图像,在人体行为图像数据增强上有着更加强大的能力。本文使用生成对抗网络对自行收集的图像行为识别数据集进行数据增强,并通过Res Net-34骨干识别网络对论文所提出的有条件的复合注意力生成对抗网络C-CAGAN及基于CAGAN的人体行为图像多层生成模型增强后的数据集进行图像行为识别实验,实验结果显示,行为图像的识别精度有显著提高,验证了本文提出的生成对抗网络在人体行为图像数据增强上的有效性。