随着互联网的发展现如今已经进入大数据时代,在大数据的背景下图像分类已然成为模式识别以及计算机视觉领域的重点研究之一。传统的图像分类多是基于大量标签图像进行的有监督学习分类方法,而现实应用场景中数据中多是只含有少量标签。生成对抗网络作为一个生成模型可以和半监督学习相结合对含有少量标签大量无标签的图像集进行分类。但是传统的半监督生成对抗网络进行图像分类时会出现精度不高的现象,原因主要有:一方面由于生成器生成图像质量太差造成梯度消失从而导致分类效果不佳;另一方面由于判别器对类别边界学习能力不足导致分类错误率高。针对生成器生成能力差的问题,本文提出一种增强特征匹配的方式提高生成器的生成能力。在判别器中加入通道注意力和空间注意力机制提高判别器对输入图像的特征提取能力。生成器生成阶段使用均值方差进行特征匹配提高了获取真实样本特征分布的能力。通过最小化生成样本和真实样本之间的特征差异,提高了生成器生成图像的质量,有效缓解了梯度消失等问题,进一步降低了分类错误率。最后通过在数据集上的实验证明了该方法的有效性。针对判别器类别边界学习能力不足的问题,本文提出一种基于聚类一致性的方法提高分类精度。该方法充分利用了无标签数据的隐藏信息,在判别器中为无标签图像添加伪标签进行聚类,根据类簇内无标签数据和有标签数据的一致性评估分类器的分类能力。通过类簇内图像的密度分布,在生成器中添加密度惩罚项,加入惩罚项的目的是惩罚生成器在高密度区域生成图像,鼓励在低密度区域生成图像,从而能够保证生成图像的多样性。生成的低密度区域图像可以提高判别器对类别边界的学习能力,进而提高分类精度。最后通过在数据集上的实验证明该方法的有效性。