为解决GIS（气体绝缘封闭组合电器）局部放电图谱识别任务中样本数量少且分布不均衡对深度学习模型性能的制约，提出一种CWGAN-div（带条件约束的Wasserstein生成对抗网络）模型以指导多类别局部放电图谱的生成，克服了原始GAN（生成式对抗网络）训练不稳定的问题，使样本数据得到增强并将平均不平衡率由11.01降至3.03。然后，使用5种分类器进行样本增强前后的对比实验，各分类器的F_(1mean)值在样本增强后均得到3.7个百分点以上的提升。实验中，Mi-CNN（多输入卷积神经网络）模型因能够同时利用特高频法和超声波法的PRPD（局部放电相位分布）图谱而表现最优，其F_(1mean)值达到95.8%。