随着3D（Three Dimension）成像技术的发展,深度图像发挥着越来越重要的作用。同时微软Kinect和飞行时间（TOF）相机等低成本3D扫描设备的诞生,为计算机视觉、图形、人机交互和虚拟现实等不同研究领域的新应用打开了大门。然而,由深度摄像机捕获的深度图像会产生各种类型的失真,这使得从深度图像中准确估计深度信息变得困难,影响人们的体验。为了解决深度图像的质量下降问题,可以采用合适的深度图像增强方法,来提高3D图像的质量,改善人们观看立体图像的舒适度。深度图像增强方法主要用于修复损坏的孤立像素和小区域,同时改善图像细节,尤其是增强深度图像的边缘。针对低质量深度图像中存在的各种类型的失真,本文提出一种基于生成对抗网络的深度图像增强算法。本文主要内容如下:1.提出了一种基于深度卷积生成对抗网络的结构,并针对低失真强度的图像和传统生成对抗网络容易出现的梯度爆炸、梯度消失、模型退化等问题,改进了上述网络结构,提出一种基于残差网络的模型,引入了残差网络和跳跃连接。实验结果表明,引入残差网络后,生成深度图像的峰值信噪比（PSNR）提升了6%,结构相似度（SSIM）提升了4%,较好的还原了图像的纹理结构信息。2.针对传统生成对抗网络容易出现的网络难以训练,难以收敛等问题,提出一种基于Wasserstein距离的判别网络模型,在判别网络的末尾使用Wasserstein距离作为改进的损失函数。实验结果表明引入Wasserstein距离后,增强的深度图像在峰值信噪比和结构相似度方面分别提升了11.7%和5.1%。3.针对生成深度图像中存在的棋盘效应和图像细节的损失等问题,提出一种改进的、用于生成网络模型的损失函数。损失函数包括均方误差损失、自平滑损失和梯度损失,均方误差损失旨在提高图像的峰值信噪比,自平滑损失可以去除图像中的棋盘效应,梯度损失则可以增强图像的细节。通过对生成网络损失函数的改进,较好的提高了深度图像质量,有效保留了图像的边缘信息。实验结果表明,本文提出的模型能够将增强图像的峰值信噪比和结构相似度分别提升17%和8.2%。