目标识别是计算机视觉领域的一个研究热点。基于深度学习的目标识别方法以其识别准确率高的优势,成为了研究目标识别任务的重要技术手段。深度学习作为一种数据驱动的学习方法,小样本问题会更为突出。因此,本文主要研究基于生成对抗网络的小样本目标识别问题。首先,提出了基于特征子空间的生成对抗网络方法,该方法对特征进行生成和扩充。此外,还提出了基于反馈调节的生成对抗网络训练方法提高其训练时的稳定性。最后,将上述方法应用到典型的舰船目标识别任务中。主要研究内容如下:1.使用典型生成对抗网络方法,对原始样本数据进行扩充。使用常规分类识别网络,分别对扩充后数据与扩充前数据进行分类训练。通过对照实验,分析了生成对抗网络的性能。2.针对生成对抗网络在生成大尺寸复杂图像时质量较差的问题,本文提出了基于特征扩充的生成对抗网络方法。首先将样本映射到特征子空间,然后对子空间上的特征数据进行拆分和重组,最后使用生成对抗网络对子空间上的特征进行生成。实验验证了,使用该方法对目标识别网络的性能有提升作用。3.针对生成对抗网络训练时稳定性不足的问题,本文提出了自适应的训练方法。该方法对每次迭代过程中生成网络和判别网络的更新次数进行反馈控制,保证了两个网络性能均衡,防止梯度消失。最后,实验验证了自适应调节方法,能进一步提升目标识别网络的性能。4.设计和开发了基于生成对抗网络的目标识别原型平台,实现了对本文所有成果的可演示功能。