作为样本生成的重要方法之一,生成式对抗网络(GAN)可以根据任意给定数据集中的数据分布生成样本,但它在实际的训练过程中存在生成样本纹理模糊、训练过程不稳定以及模式坍塌等问题.针对以上问题,本文在深度卷积生成式对抗网络(DCGAN)的基础上结合残差网络采用了一种基于深度残差生成式对抗网络的样本生成方法 RGAN(Residual Generative Adversarial Network).该样本生成方法利用残差网络和卷积网络分别构建生成模型和判别模型,并结合正负样本融合训练的学习优化策略进行优化训练.其中,深度残差网络可以恢复出丰富的图像纹理;正负样本融合训练的方式可以增加对抗网络的鲁棒性,有效缓解对抗网络训练不稳定和模式坍塌现象的发生.本文在102 Category Flower Dataset数据集上设计了多个仿真实验.实验结果表明,RGAN能有效提高生成样本的质量.