La tecnología de radar de penetración terrestre montada en vehículos (GPR) es un medio efectivo para detectar enfermedades en la subrasante de ferrocarriles. Sin embargo, los métodos existentes de interpretación de datos de GPR dependen en gran medida de la identificación manual, lo cual no solo es ineficiente sino también altamente subjetivo. Este artículo propone un método de aprendizaje profundo semi-supervisado para identificar enfermedades en la subrasante de ferrocarriles. Este método aborda el problema de desequilibrio de muestras en el conjunto de datos de defectos mediante la utilización de un método de aumento de datos basado en un modelo de red generativa adversaria. Un modelo de red inicial para la identificación de enfermedades se obtiene entrenando la red YOLOv5 con un pequeño número de muestras existentes. Las muestras inteligentemente extendidas se etiquetan para lograr un equilibrio en las muestras de enfermedades. La red se entrena para mejorar la precisión de reconocimiento del modelo inteligente utilizando un conjunto de datos más completo. Los resultados experimentales muestran que la precisión del método propuesto puede alcanzar hasta un 94.53%, lo que es un 23.85% más alto que el del modelo de aprendizaje supervisado sin un conjunto de datos extendido. Esto tiene un fuerte valor de aplicación industrial para la detección de enfermedades en la subrasante de ferrocarriles, ya que la capacidad de aprendizaje potencial del modelo puede ser explorada en mayor medida, mejorando así la precisión de reconocimiento de las enfermedades de la subrasante.