在实际的故障诊断中，往往难以获得大量的故障样本，这对基于机器学习的故障诊断分类精度有着不可估量的影响。为了提高小样本情况下的故障诊断准确率，提出了一种基于条件广义自适应网络梯度依赖（cgan-GP）的数据增强生成模型，以获得足够的故障样本。Cgan GP使用二维卷积学习预处理后获得的二维故障样本的分布特征，生成与真实样本相似的样本，并使用Wasserstein距离和梯度惩罚（GP）策略解决模型训练中的问题。同时，将故障样本的标签信息输入到模型中，指导模型生成特定的故障样本，使一个模型可以生成多个故障样本，并在CWRU轴承数据集上进行验证。研究表明，该模型能生成与实际样本特征相似的高质量样本，并能有效提高小样本情况下故障诊断的识别率。