针对深度卷积生成对抗网络的数据扩充方法存在生成图像质量差，模型框架不稳定，模型收敛速度慢等问题，提出一种改进DCGAN轮胎缺陷图像生成模型。将残差网络和注意力机制嵌入到DCGAN模型中，以提升模型特征的提取能力；同时摒弃DCGAN损失函数JS散度，使用带有梯度惩罚项的Wasserstein距离，以提高模型训练的稳定性。实验结果表明，使用该模型生成轮胎缺陷图像质量优于DCGAN、WGAN、CGAN与SAGAN所生成图像，其平均FID值可以达到116.28，最小FID值可以达到84.94。所提模型可以稳定地生成质量更好的轮胎缺陷图像，为轮胎缺陷样本数据集扩充提供了一种有效途径，缓解了深度学习在缺陷检测领域发展所面临的小样本问题。