图像分类是根据所提取图像特征信息对图像进行归类识别的图像处理方法,其作为计算机视觉领域众多应用的基本且关键技术,具有重大研究价值。随着互联网技术飞速发展和计算机硬件性能的显著提升,图像数据大规模涌现,对图像识别算法精度的要求也不断提高。因此,传统分类算法逐渐由能自动学习图像高级类别特征的深度学习算法所替代。然而,由于实际应用场景中无标签图像规模远大于有标签图像,深度神经网络在标签信息有限的情况下分类性能难以提升。鉴于半监督图像分类算法可以利用少量有标签图像和大量无标签图像学习图像本质规律的特点,本文利用生成对抗网络研究半监督图像分类问题,主要工作包括:(1)针对传统生成对抗网络难以表征图像特征重要程度的问题,提出一种基于双重注意力生成对抗网络的半监督图像分类方法。首先,在生成器和判别器中同时引入双重注意力模块,以提取图像局部与全局特征间以及特征通道间依赖关系,从而实现对任务相关特征重要程度的表征,进而实现对特征的自适应学习;然后,通过在生成器中引入谱归一化来减少梯度异常,进而增强模型训练的稳定性;最后,在判别器损失中引入流形正则化方法,用以指导分类决策的变化方向。(2)针对传统生成对抗网络隐变量空间特征表示与真实样本特征不匹配的问题,提出一种基于编码转换生成对抗网络的半监督图像分类方法。首先,为在隐变量空间中增加具有判别性的特征表示,在生成对抗网络中引入编码器结构,将训练样本从样本空间映射到隐变量空间,为生成器输入噪声变量提供分布信息参考;然后,利用重参数化方法对噪声变量分布进行描述,并引入KL散度对输入噪声分布与真实图像编码生成的隐变量分布之间的差异进行度量,以保证输入噪声与图像真实分布的统一;最后,为实现图像与隐变量的语义匹配,采用流形一致结合方式将图像特征与隐变量进行结合,并将其输入给判别器进行真伪判别和类别划分。在SVHN、CIFAR-10、MNIST数据集上的实验结果表明,所提方法能够有效提高生成对抗网络的半监督图像分类精度。本文共有图24幅,表22个,参考文献116篇。