图像分类是计算机视觉和模式识别中重要的研究热点之一,根据训练样本是否有标签,分类算法可以分为监督学习和无监督学习。监督学习中标签的获取成本较大,而无监督学习的分类性能较低。因此,只需少量标签便可以获得良好分类性能的半监督学习成为目前分类算法中的研究热点。生成对抗网络(generative adversarial network,GAN)作为一个新型的深度学习算法,在图像生成、图像修复以及图像分类领域应用广泛。目前,现有的半监督分类算法还不能很好地学习到标签样本与无标签样本之间的关系,半监督分类精度还有待提高。因此,针对上述不足,本文提出了两种基于半监督生成对抗网络的图像分类模型,主要研究内容如下:第一,常规GAN的训练过程不够稳定而且容易出现模式崩溃现象,鉴别器提取的特征鲁棒性较差。针对此问题,提出一种基于分段损失加权的生成对抗网络(PL-GAN)。一方面,生成器在不同训练阶段采用不同形式的损失函数,通过时间参数将两种不同形式的损失函数结合起来,实现整个过程的分段训练;另一方面,为生成器引入真实样本与生成样本之间特征级均方差损失,然后与常规GAN生成器的对抗损失进行加权,从而能够有效改善常规GAN训练不稳定和模式崩溃问题,使鉴别器提取的特征更加鲁棒。第二,针对传统鉴别器的损失策略和结构框架难以提取任务相关的鲁棒性特征,提出一种基于特征重标定的生成对抗网络(FR-GAN)。一方面,在现有的半监督GAN的基础上,在鉴别器中引入不同参数状态下的无监督均方差损失正则项,对同一输入对应得到的不同输出进行参数惩罚,从而指导特征标定优化的方向;另一方面,为增加网络的非线性拟合能力,在传统鉴别器的结构中加入压缩激活(SENet)模块,学习到模块所输入特征图的权重,然后将权重与输入特征图进行加权,实现特征的重标定。当训练样本的部分标签出现错误时,FR-GAN的分类精度并不会发生太大变化,即提高网络的容错能力。MNIST、CIFAR-10、SVHN、STL-10数据集的实验结果表明,与传统的半监督分类算法相比,所提算法能够获得更好的分类表现。