深度卷积神经网络（CNN）在大规模带有标签的数据集训练下，训练后模型能够取得高的识别率或好的分类效果，而利用较小规模数据集训练CNN模型则通常出现过拟合现象。针对这一问题，提出了一种集成高斯混合模型（GMM）及条件生成式对抗网络（CGAN）的数据增强方法并记作GMM-CGAN。首先，通过围绕核心区域随机滑动采样的方法增加数据集样本数量；其次，假定噪声随机向量服从GMM描述的分布，将它作为CGAN生成器的初始输入，图像标签作为CGAN条件，训练CGAN以及GMM模型的参数；最后，利用已训练CGAN生成符合样本真实分布的新数据集。对包含12种雾型386个样本的天气形势图基准集利用GMM-CGAN方法进行数据增强，增强后的数据集样本数多达38600个，将该数据集训练的CNN模型与仅使用仿射变换增强的数据集及CGAN方法增强的数据集训练的CNN模型相比，实验结果表明，前者的平均分类正确率相较于后两个模型分别提高了18.2%及14.1%，达到89.1%。