随着人类社会的发展,人们日常生活中出现了大量的图像数据,人们需要高效地处理这些图像数据来为人类服务,图像分类是一种根据图像信息中特征的不同把图像分成不同类别的图像处理技术,现在图像分类大多都是使用卷积神经网络来实现的,但是传统的卷积神经网络一般都需要一个庞大的带标签的数据集,而在现实生活中这样的数据集往往是比较难以获得的,因此,只利用少量带标签的数据训练出效果不错的卷积神经网络是很有必要的。本文首先对卷积神经网络的研究背景和研究现状进行了简单的介绍,之后针对传统卷积神经网络无法利用无标签数据的问题,提出了一种以卷积神经网络和生成对抗网络为基础的半监督学习模型,并做了以下工作:(1)从人工神经网络出发,阐述了人工神经网络的理论基础以及利用反向传播算法训练神经网络的基本流程,之后对卷积神经网络的特点以及其优点进行了详细的介绍,并以经典网络LeNET-5卷积神经网络进行举例说明。(2)为了利用数据集中大量的无标签数据,以卷积神经网络和生成对抗式网络为基础构建半监督学习模型,详细介绍了模型的基本结构以及训练流程,并且解释了半监督学习的原理。(3)将本文模型在MNIST数据集、CIFAR-10数据集、SVHN数据集上进行半监督训练,并且将实验结果和传统的半监督模型进行了对比,实验结果证明了本文模型具有更高的分类准确率。