生成式对抗网络(Generative Adversarial Network,GAN)自2014年提出以来,已经在许多领域取得了广泛的关注,现如今已经成为人工智能最热门的研究领域之一。GAN的思想主要启发于博弈论中的零和博弈,通过生成器和判别器相互对抗来实现模型训练。目前GAN最为成功的应用领域为计算机视觉,如图像生成、图像翻译、图像超分辨率等,并且在自然语言处理以及其它等领域也有所突破。但是毕竟GAN还处在发展的阶段,目前GAN也存在着一定的问题,如训练不稳定、模式坍塌等,因此对于GAN目前存在的问题以及可应用领域的研究具有重要意义。本文针对原始GAN在训练过程中出现的问题进行分析,提出了一种原始GAN的等效模型,并应用到绝缘子故障识别中;在CycleGAN的基础上,提出了一种应用于图像去雾的CycleGAN去雾模型。本文研究内容总结如下:基于原始GAN的基本原理和训练机制,利用原始GAN的实验结果对原始GAN的训练过程进行了分析;然后基于信号检测与估值理论对原始GAN的判别器和生成器分别进行了等效模型的公式推导,并得出生成器推导结果符合维纳-霍普夫积分方程的结论;最后在MNIST、CIFAR-10实验数据库上进行了实验,验证了该等效模型的有效性和优点,如等效模型生成的样本更加逼真、等效模型无需训练过程等。基于本文提出的原始GAN等效模型,针对类似于绝缘子的小样本库容易导致神经网络模型过度拟合的问题,提出了通过原始GAN等效模型对绝缘子样本库进行扩增,从而提升神经网络对缺陷绝缘子的正确识别率。最后通过与其它扩增方法进行对比,验证了本文方法的有效性。基于CycleGAN的基本原理,搭建了用于图像去雾的CycleGAN去雾模型。通过改进CycleGAN的结构,以及在模型的损失函数中引进感知损失函数,实现了带雾图像的去雾处理,并且通过与几种典型去雾算法的实验结果对比,证明了本文提出的CycleGAN去雾模型的优越性。