计算机视觉是人工智能领域的一个重要研究方向,它的目的是使计算机可以像人一样观察世界。近年来,计算机视觉不仅广泛应用在交通、医疗等方面,也逐渐向工业、军事等领域普及,它正在从各个方面改善着人们的日常生活。图像分类是该方向的核心任务之一,也是其他任务的基础。目前图像分类方法中准确度较高的方法是基于深度学习的监督方法,该方法虽然精度高,但是需要大量的标注样本。当标注样本过少时易出现过拟合等问题,这会导致模型的准确度降低。然而在很多实际应用场景中,图像难以获取或者图像的标注耗费大量的人力和物力,因此往往会缺少大规模的有标注图像集。为解决上述问题,本文主要研究如何使用少量有标注的数据和部分没有标注的数据得到泛化能力较强的分类模型。本文将基于生成对抗网络和自注意力机制构建一个半监督图像分类模型。首先,本文将生成对抗网络的判别器由二分类拓展为多分类,并将生成图像标记为假样本联合真实有标签数据和真实无标签数据共同训练判别器。其次,本文在改进后的生成对抗网络中引入自注意力机制,自注意力机制可以计算每个像素点与图中的所有像素点间的相关度,起到扩大感受野的作用。对于生成器,自注意力机制提高了生成图片的质量,而高质量的生成图像有利于提升半监督图像分类的性能;对于判别器,自注意力机制可以结合局部特征与全局特征,减小背景等无关特征的影响。此外,本文还应用了谱归一化技术,通过对模型的参数矩阵执行谱归一化操作来提高本文提出模型的稳定性。最后,本文还使用流形正则化作为附加的正则化项,提升半监督分类器对局部扰动的鲁棒性。本文在CIFAR-10数据集和SVHN数据集上测试了提出的半监督分类网络,实验结果证明该方法能够在少量标注样本的情况下取得较好的分类结果。