Actualmente, en el escenario de aplicación de las redes generativas adversarias, determinar cómo mejorar la calidad de las señales generadas y asegurar la precisión en el reconocimiento de modulación de las redes neuronales convolucionales son problemas importantes. En este artículo, se ha propuesto un método de cribado de calidad de muestra generativa para el problema de muestras de baja calidad generadas por redes generativas adversarias en condiciones de poca disponibilidad, que establece de manera innovadora un modo de expansión de muestra sin fijar los parámetros de la red, realiza el aprendizaje de la distribución de datos reales mediante la actualización constante de los pesos de la red y mejora la calidad de las muestras expandidas mediante la adopción del método de cribado de calidad con dos cribados de calidad. Se ha diseñado una red generativa adversaria para este método, que reduce la inversión de tiempo necesaria para generar muestras extrayendo diferentes características de pocas muestras de señales. Los resultados experimentales muestran las condiciones de poca disponibilidad, bajo una relación señal-ruido de -812 dB y tres ratios de expansión de 1:1, 1:2 y 1:3. En comparación con el método de expansión general, la precisión promedio en el reconocimiento del modo de modulación del método QCO-CFGAN expandido con el método de cribado de calidad se mejora en un 2.65%, 2.46% y 2.73%, respectivamente, lo que demuestra su efectividad en esta condición.