阿拉伯手写识别（AHR）由于阿拉伯文字的复杂性和培训数据的可用性有限，提出了独特的挑战。本文提出了一种在强大的CNN-BLSTM体系结构中集成生成对抗网络（GAN）以进行数据增强的方法，旨在显着提高AHR性能。我们采用了CNN-BLSTM网络，加上连接式时间分类（CTC）进行准确的序列建模和识别。为了解决数据限制，我们结合了基于gan的数据增强模块，该模块在IFN-En-Enit Arabic手写数据集中训练，以生成现实和多样化的合成样本，从而有效地增强了原始的培训语料库。对IFN-ENIT基准的广泛评估证明了采用方法的功效。我们达到95.23％的识别率，超过基线模型3.54％。本研究提出了一种有希望的AHR数据增强方法，并证明了单词识别准确性的显着提高，为更健壮和准确的AHR系统铺平了道路。