针对工业钢材表面缺陷检测过程中存在的样本采集困难、成本较高，以及缺陷种类较多难以覆盖全部导致的小样本问题，提出一种改进循环生成对抗网络(CycleGAN)的钢材表面缺陷图像生成方法。首先，将通道注意力(CAM)和空间注意力机制(SAM)嵌入到CycleGAN模型中，增强模型的特征提取能力；然后，引入权重解调(Weight Demodulation, WD)机制修复特征伪影和白斑，进一步提高生成图像的质量；最后，引入形状一致性损失(Lshape)对生成器训练过程进行监督，解决在图像几何变换过程中内在模糊性问题。将改进前后的模型在NEU-DET数据集上进行试验，试验结果表明：改进后的模型在缺陷图像生成的效果上更具多样性和准确性，PSNR、SSIM分别提高了13.0％、7.8％，FID值降低了33.1％。该方法能够稳定生成高质量的各类钢材表面缺陷图像，可以达到增加训练数据的目的。