El ciclo celular es un proceso importante en la vida celular. En los últimos años, se han desarrollado algunos métodos de procesamiento de imágenes para determinar las etapas del ciclo celular de células individuales. Sin embargo, en la mayoría de estos métodos, las células deben ser segmentadas y sus características necesitan ser extraídas. Durante la extracción de características, se puede perder información importante, lo que resulta en una menor precisión de clasificación. Por lo tanto, utilizamos un método de aprendizaje profundo para retener todas las características celulares. Con el fin de resolver los problemas relacionados con la insuficiencia de imágenes originales y la distribución desequilibrada de imágenes originales, utilizamos la red generativa adversarial de Wasserstein con penalización de gradiente (WGAN-GP) para la augmentación de datos. Al mismo tiempo, se utilizó una red residual (ResNet) para la clasificación de imágenes. ResNet es una de las redes de clasificación de aprendizaje profundo más utilizadas. La precisión de clasificación de imágenes del ciclo celular se logró de manera más efectiva con nuestro método, alcanzando el 83.88%. En comparación con una precisión del 79.40% en experimentos anteriores, nuestra precisión aumentó en un 4.48%. Se utilizó otro conjunto de datos para verificar el efecto de nuestro modelo y, en comparación con la precisión de resultados anteriores, nuestra precisión aumentó en un 12.52%. Los resultados mostraron que nuestro nuevo sistema de clasificación de imágenes del ciclo celular basado en WGAN-GP y ResNet es útil para la clasificación de imágenes desequilibradas. Además, nuestro método podría potencialmente resolver la baja precisión de clasificación en imágenes biomédicas causada por la insuficiencia de imágenes originales y la distribución desequilibrada de imágenes originales.