在中国乃至全世界,肺癌的发病率和死亡率均居首位,严重影响广大人民百姓的生命健康。目前医学领域是通过肺部CT图像诊断肺结节的良恶性情况,作为诊断是否患肺癌的重要佐证。尽管医学已经发展得相当完善,但目前医院对肺癌的诊断主要依靠经验丰富的医生通过肉眼阅片来实现。因传统的诊断方法存在误诊、错诊的情况,又因CT图像数据集的制作成本高,本文提出一种基于半监督学习的方法对肺结节CT图像进行良恶性分类,这种方法融合了无监督学习的生成对抗网络与监督学习的卷积神经网络。本文研究内容归结为两部分:基于生成对抗网络的肺部CT图像数据扩增和基于卷积神经网络的肺结节良恶性分类。一方面是对基于生成对抗网络模型的数据扩增进行研究。传统的数据扩增操作是通过传统图像处理方法,对原图像进行翻转、旋转、平移等操作。而这类操作仅增加了图像数量,图中的信息并没有改变,无法达到真正数据扩增的效果。本文提出的是基于融合DCGAN与WGAN-GP的生成对抗网络,并在模型的训练过程中,引入一种渐进式的训练模式。该模型可生成清晰的图像,以解决对肺部CT图像进行数据扩增。另一方面是对基于卷积神经网络的分类模型进行研究。通过引入残差块对卷积神经网络结构进行改进,改进后网络深度达42层。在数据集方面,结合生成对抗网络生成的扩增样本进行训练,并且设计了相关参照实验对分类结果与模型性能进行分析。实验结果分类的正确率、敏感性、特异性与AUC值分别为96.5%、96.67%、96.33%与0.953。通过对比,该分类模型在各个指标均优于现存的其他多种方法。同时论证了半监督学习的可行性,且对处理少数据的任务参与深度学习网络提供了新的方法。本文的主要创新之处是引入基于生成对抗网络的扩增模型、并将其于监督学习融合的半监督学习方法,并将该方法应用于肺结节良恶性分类中,取得较为理想的效果。