El reconocimiento de objetivos submarinos es actualmente uno de los temas más candentes en la investigación de inteligencia computacional. Sin embargo, las tareas de reconocimiento de objetivos submarinos basadas en técnicas de aprendizaje profundo son difíciles de llevar a cabo debido a la escasez de muestras de señales acústicas de eco, lo que resulta en un bajo rendimiento de entrenamiento para los modelos de aprendizaje profundo existentes. Las redes generativas adversarias (GAN) se han utilizado ampliamente en el mejoramiento de datos y generación de imágenes, proporcionando una estrategia novedosa para hacer frente a los desafíos en el campo de investigación mencionado anteriormente. Para abordar la insuficiencia de datos de señales de eco para vehículos submarinos de alta velocidad, este documento propone un método de mejora de datos de señales de eco submarinas que utiliza una GAN mejorada basada en unidades de convolución para tamaños de muestra pequeños. Primero, tomamos datos de prueba de piscina como entrada de muestra de entrenamiento y realizamos estandarización de datos, intercepción de datos y procesamiento relacionado con la copia. En segundo lugar, este documento propone un modelo de red generativa adversaria submarina mejorada (IGAN-UW) para generar señales de eco submarinas. Finalmente, un modelo de CNN combina los datos generados con los datos originales para llevar a cabo el entrenamiento de clasificación de objetivos submarinos. Los resultados experimentales muestran que el modelo IGAN-UW es adecuado para la generación de señales de eco originales altamente realistas en casos con tamaños de muestra pequeños, proporcionando un nuevo enfoque para la detección y reconocimiento activo de objetivos submarinos.