标注样本不足，再加上类别不平衡问题，在很大程度上限制了基于深度学习（DL）的方法在微观结构识别和量化中的广泛应用。在这项研究中，我们提出了一种使用混合深度生成模型的显微图像增强方法，以生成扫描电镜（SEM）图像-标注对，从而建立大规模且平衡良好的增强数据集。在该方法中，首先构建一个生成器来生成所需的标注，然后训练一个转换器将这些合成标注转换为高质量的扫描电镜图像。所提出的方法成功应用于一个极小且不平衡的增材制造（AM）钢数据集，该数据集仅包含一个扫描电镜图像-标注对，且马氏体/奥氏体（MA）分数非常低。通过该方法，初始数据集得到显著扩充，相分数的分布也更加平衡。合成数据的使用提高了微观结构识别模型对未见过的显微图像的扩展性，这一事实充分证明了本方法的有效性。此外，本文还详细讨论了合成数据比例对模型性能的影响，以及合成数据能够提高训练后模型扩展性的潜在原因。