人类活动中的化学爆炸和自然活动中的台风、雷暴等,这些异常事件的发生会带给人类的生产生活一定的危害,识别此类事件具有现实意义。异常事件发生时会产生次声波,且不同事件的产生机理不同,因此次声波可用于异常事件识别。现有异常事件次声识别系统使用次声波数据与机器学习算法来识别次声事件,但是在研究中出现了训练集样本量太少的问题,导致算法模型泛化能力较差。因此,本课题提出利用基于生成对抗网络的次声波数据生成技术,以解决小样本的问题,更好地为异常事件次声识别系统提供充分的数据,而且对于时间序列生成也将产生一定的参考价值。本课题的原始数据包括异常事件（包括雷电、化学爆炸、台风）数据集和无事件（即微气压波动）数据集。首先,在数据集的处理上,针对不同事件类型采用不同的数据预处理方式,统一数据的时间长度并进行标准化。接着,分别构建典型GAN、DCGAN、WGAN三种生成对抗网络模型作为对比实验进行次声信号生成,结合序列相似度欧式距离和DTW值,佐以信号特征分析验证,实验结果表明DCGAN生成效果最好,WGAN效果次之。然后,分别采用LSTM和GRU网络作为DCGAN和WGAN的判别器构建新的模型,并用相同的评估流程进行评估,最终实验表明基于典型DCGAN的次声波数据生成效果最好。最后,本课题分别将DCGAN、SMOTE以及Bootstrap三种算法扩充的数据与原始数据进行混合,构建并训练LSTM分类模型,对比每种方法生成数据的分类准确率,证明DCGAN模型生成数据的有效性及可用性。本课题还完成了一套次声数据生成管理原型系统,实现了次声波数据的生成管理,并提供可扩展到异常事件次声识别系统的一些管理功能。该系统主要包括数据生成管理、监测站点管理、部门管理以及用户管理四个模块。