人工智能的三大要素是数据、计算力和算法。其中数据是基础,任何研究都离不开数据。深度学习算法之所以兴起,一方面是大规模数据的获取成为现实,另一方面得益于高性能计算,可以让庞大的数据模型能够被很好地拟合。深度学习作为人工智能领域最有潜力的分支,同样十分依赖大量的数据,数据集的大小直接影响了深度学习算法模型的性能。然而对于神经网络研究来说,训练一个神经网络模型所用的数据通常需要大量真实采集的图像、文本或语音数据。同时这些数据需要人为对其标注一些分类标识信息,如此一来,耗费了巨大的时间成本和人力成本。本文针对深度学习图像分类识别研究中因数据集太小而造成网络过拟合的问题,利用生成式对抗网络生成图像的方法扩充数据集,实现数据增强。论文的主要工作包括:1.研究并提出一种基于激活函数SeLU和a_Dropout优化的DCGAN改进模型SDCGAN,该模型在简化网络参数的同时,一定程度上缓解了DCGAN过拟合现象的发生。2.针对现有DCGAN模型训练时生成的样本质量不稳定现象进行深入研究,提出一种动态标签平滑方法,该方法不仅调节了生成网络和判别网络的对抗训练强度,还在一定程度上更好地缓解了DCGAN在训练中出现的损失波动剧烈甚至发散的问题,使标签平滑参数值的调整更符合DCGAN训练的整体特性。3.利用深度学习框架tensorflow平台仿真验证了本文的SDCGAN模型,客观评价指标表明该模型不仅生成了更高质量的图像数据,而且还提升了用生成数据训练的分类网络的识别准确率。此外,仿真结果也验证了本文的动态标签平滑方法能够一定程度上缓解DCGAN网络模型在训练中出现的损失函数曲线波动较大甚至发散的情况。