En un entorno industrial complejo, es difícil obtener imágenes de defectos en la superficie del acero laminado en caliente. Además, hay una falta de métodos de identificación efectivos. En respuesta a esto, este documento implementa una clasificación precisa de los defectos en la superficie del acero laminado basada en redes generativas adversariales y un mecanismo de atención. En primer lugar, se propone un nuevo modelo WGAN para generar nuevas imágenes de defectos en la superficie a partir de ruidos aleatorios. Al expandir el número de muestras de 1360 a 3773, las imágenes generadas pueden ser utilizadas para entrenar el algoritmo de clasificación. En segundo lugar, se propone un modelo Multi-SE-ResNet34 que integra un mecanismo de atención para identificar defectos. La tasa de precisión en el conjunto de prueba es del 99.20%, que es un 6.71%, 4.56%, 1.88%, 0.54% y 1.34% más alta que AlexNet, VGG16, ShuffleNet v2 1x, ResNet34 y ResNet50, respectivamente. Finalmente, una comparación visual de las características extraídas por diferentes modelos utilizando Grad-CAM revela que el modelo propuesto está más calibrado para la extracción de características. Por lo tanto, se puede concluir que los métodos propuestos proporcionan una referencia significativa para la augmentación de datos y la clasificación de defectos en la superficie del acero laminado.