图像分类根据样本数据的不同可以分为有监督分类、无监督分类和半监督分类,本文首先从有监督分类的角度选取了卷积神经网络作为研究对象,使用烟花算法对模型进行优化,由于原始的卷积神经网络采用梯度下降算法优化参数,容易易陷入局部最优,而烟花算法具有收敛速度快、不易陷入局部最优等特点,使用烟花算法优化卷积神经网络对模型的性能有一定的提升。有监督分类是在样本数据都带标签的前提下完成的,而现实生活中大部分的数据都是无标签的,因此,半监督分类和无监督分类模型的分类准确率也尤为重要,于是本文从优化半监督分类模型的角度对生成对抗网络进行了改进,由于原生成对抗网络的生成器部分使用的是随机噪声输入,数据的随机性较强,生成图片的质量较低,模型用于半监督分类的准确率不高,而主成分分析法可以在降低数据复杂度的同时保留原数据的部分特征,因此本文使用主成分分析法改进生成器的输入,然后将改进后的网络用于半监督分类。本文所做的主要工作如下:1.研究和实现了基于烟花算法改进的卷积神经网络。首先在标准测试函数上比较了烟花算法和粒子群算法、遗传算法的寻优效果,再使用烟花算法优化卷积神经网络的参数,利用烟花算法全局搜索的特性,避免参数陷入局部最优,并且将改进后的网络应用于图像分类,采用MNIST手写字符作为样本数据测试模型的分类效果,实验结果表明,改进后的网络提高了模型对图片的分类准确率。2.研究和实现了基于主成分分析改进的生成对抗网络。将主成分分析法与生成对抗网络相结合,改进生成对抗网络的生成模型,通过在手写字符和人脸数据集上的实验,验证了模型的生成效果,再将判别模型的二分类器改为多分类,应用于半监督图像分类,在三个不同的数据集上分别进行实验,对比改进后的网络与原网络的分类准确率和模型稳定性,实验结果验证了主成分分析法改进生成对抗网络的有效性。从实验结果来看,本文对两种网络的优化都取得了良好的效果,烟花算法优化的卷积神经网络对图像的分类准确率有所提高,主成分分析法改进后的生成对抗网络可以改善生成图片的质量,同时也能够提高半监督分类的准确率。