生成对抗网络(Generative adversarial networks)是深度学习领域的一个重要研究方向。其主要是基于零和博弈的思想,由判别器网络和生成器网络组成,通过极大极小算法的方式训练网络模型,据此学习出数据样本潜在数据的概率分布,并根据学到的分布生成新的数据样本。这种优势使得生成对抗网络在计算机视觉、信息安全、语音处理等领域表现出巨大的研究价值和应用前景。在生物信息学领域,随着生物数据规模的激增,精准医疗、基因序列的生成与预测、合成蛋白质等都需要科研人员对海量数据深入分析。以往使用湿实验、化学分析等传统方法往往具有耗费财力多、工作量大、效率低等缺点。面对这样的问题,用数据挖掘技术发现数据规律、得到数据本质特征是常见的分析手段,而生成对抗网络技术在生物信息学领域的探索才刚刚开始,因此本文基于生成对抗网络算法来学习数据存在的规律。本文首先阐述深度学习相关技术、生成对抗网络的模型原理以及生成对抗网络的优点,进一步分析生成对抗网络在理论上存在的模型结果不收敛、梯度消失问题以及应用到生物信息学领域后存在的模型坍塌、结果不受控制、离散数据无法训练等问题。而变分自编码(Variational Auto-Encoder,VAE)能够处理离散数据,同时其损失函数能够约束模型产生的结果。因此,本文针对生成对抗网络模型生成的结果不受控制以及无法训练离散数据的问题,引入该算法对生成对抗网络进行改进,提出基于变分自编码的生成对抗网络融合模型:DGAN-VAE(Double Generative adversarial networks with VAE)。针对图像和序列数据设计了新的神经网络结构,并在公开数据集MNIST上与其它改进模型进行结果对比。经过实验证明,改进算法DGAN-VAE具有良好性能,同时能够在生物信息领域中的图像和基因序列上很好的工作。为生成对抗网络这种新技术在生物信息学领域中的关键技术问题以及可行性做了探索。