Para alcançar a identificação precisa das bactérias da água, este estudo utilizou a técnica de espectroscopia de transmissão combinada com o método de aumento de dados baseado em redes adversariais generativas para classificar cinco tipos típicos de bactérias da água. Devido ao alto custo de obtenção de amostras de espectros de transmissão, à fácil influência do desempenho do instrumento e à insuficiente capacidade de generalização do modelo em amostras pequenas, propôs-se uma estratégia de aumento de dados espectrais baseada em uma rede adversarial generativa com seleção dinâmica (DFGAN) e foi construído um modelo de classificação baseado em rede neural convolucional (CNN). Foram coletados 600 espectros de transmissão de cinco tipos de bactérias em diferentes estágios de cultivo e concentrações graduadas como conjunto de dados original; em seguida, foram construídas redes adversariais generativas profundas (DCGAN) e DFGAN para aumento de dados, avaliando a qualidade dos espectros gerados a partir de três dimensões: morfologia visual, similaridade da distribuição estatística e diversidade do espaço de características. Finalmente, foram comparados os desempenhos dos classificadores SVM, K vizinhos mais próximos e CNN. Os resultados mostraram que a qualidade dos espectros gerados pela DFGAN é significativamente melhor do que a do DCGAN; o método DFGAN-CNN estabeleceu o melhor desempenho do modelo de reconhecimento de bactérias da água com acurácia de 95,00%, precisão de 95,45%, recall de 95,00% e F1-score de 95,00%, demonstrando a melhor exatidão e robustez. Este método oferece um novo caminho para a detecção de bactérias da água e fornece referência técnica para resolver o problema de pequenas amostras na análise espectral.

espectroscopia de transmissão;aumento de dados;bactérias da água;reconhecimento;rede adversarial generativa com seleção dinâmica