生成式对抗网络(Generative Adversarial Networks,GAN)是用于数据生成的深度学习模型,该网络模型的设计基于博弈论的思想,通过两个模型之间的相互对抗进行训练,让一个模型的概率分布逼近真实数据的概率分布,从而生成以假乱真的数据。卷积神经网络(Convolutional Neural Networks)是一类包含卷积计算且具有深度结构的前向神经网络的统称,也是深度学习的代表算法之一。Le Net-5卷积神经网络是一种高效的手写字体字符识别模型。本论文提出了一种用于手写数字识别的改进混合式生成对抗Le Net-5卷积神经网络模型。为提高生成数据的质量,使用卷积技术和转置卷积技术修改生成式对抗网络的结构,提高特征提取能力,加深网络结构深度;使用尺度归一化和非线性映射防止梯度消失和过拟合问题;将生成的MNIST类型数据集,应用于改进的Le Net-5卷积神经网络的训练。Le Net-5卷积神经网络的优化包括:1.使用较小的卷积核替代了原来的卷积核,加深网络层数,提升了网络的非线性能力的同时,减少了参数数量和运算次数;2.使用更加有效的激活函数替代原来的激活函数,加快计算速度,减轻梯度消失;3.使用空间金字塔池化思想修改最大池化层,提高池化层保留特征信息的能力;4.用全连接层替代一层卷积层,提高模型的稳定性。经过实验验证,改进后的生成式对抗网络达到了更好的效果,模型的收敛性相比于原始的模型更强,生成的MNIST类型的数据更加准确,合格率更高,可以作为其它模型的训练数据。改进后的Le Net-5卷积神经网络模型对手写数字的准确率达到了99.48%,相比于原始的模型有了很大的提高。