图像分类作为理解图像内容的重要手段之一,在金融、公共安全、交通等领域都有成功的应用,其重要性不言而喻。面对海量的图像数据集,采用人工的方式对图像的语义属性标记不便于检索和分类,从而产生了图像信息分析不准确等问题。而随着有关GAN框架的提出,GANs便成为深度学习领域里比较重要的一个模型,也是人工智能研究的一个重要工具。并提出了多种基于GAN框架的改进模型。尤其是Triple-GAN把GAN的框架从二人博弈发展到三人博弈,即在判别器和生成器的基础上加入了分类器,从而使Triple-GAN可以解决发生器和判别器不能同时达到最优及生成器不能控制生成样本的语义等问题。但Triple-GAN在图像分类中仍然存在以下问题:第一,由于Triple-GAN在分类器中需要标记部分样本标签,而Triple-GAN仍然采用手动的方式对样本进行标记,造成了手动标记工作量过大且标记不均匀等问题。第二,Triple-GAN目前仍然沿用KL散度分布构造目标损失函数,而KL散度在分布不交叉时,会出现梯度消失,所以在Triple-GAN中也同样存在GAN中类似的问题,如梯度消失,训练不稳定等问题。本文主要的创新点将分为两个方面:(1)针对Triple-GAN中存在的第一个问题,本文提出采用随机森林分类算法改进Triple-GAN的分类器。通过随机子空间、Bagging建立随机森林决策树,在建立决策树的过程中,使叶子节点自动标记标签。同时确保在训练中,通过随机森林算法的预测分析,使每个训练样本能够定位到叶子节点上,最后将叶子节点标签和训练样本形成的标签对输入到判别器中。实现了标记的过程从手动标记向自动标记转变,分类效率明显提高。(2)针对Triple-GAN存在的第二问题,本文提出引用LSGAN理论模型思想,对Triple-GAN目标损失函数进行改进。利用最小化卡方分布及参数变量构建目标损失函数。将样本分布控制在稳定的置信空间,同时调节生成样本的方向。使得生成样本始终控制在位于决策边界正确一侧,从而达到训练稳定的效果。通过以上两个方面的优化和改进,构建Triple-GAN改进模型—Improved Triple-GAN模型,使用MINIST、cifarl0和cifarl00数据集分别在Improved Triple-GAN模型与Triple-GAN模型进行了实验。实验结果表明Improved Triple-GAN模型与Triple-GAN模型相比,Improved Triple-GAN模型解决了手动标记繁琐的问题,同时避免了梯度消失和训练不稳定的情况。从而使得Improved Triple-GAN模型比Triple-GAN模型的更加稳定,训练结果更为理想。