图像分类问题的研究是计算机视觉领域的一项基础性研究,图像分类是通过对样本图像的特征进行提取和学习,实现正确分类样本图像所属的类别标签。图像分类任务可分为全监督学习任务和无监督学习任务以及半监督学习任务。全监督学习任务目前已经比较成熟,能够达到很好的图像分类准确度,但传统的全监督图像分类任务对训练的数据集有着极高的要求,数据集的质量直接决定全监督图像分类的精度,在一些难以获得高质量的训练数据集的任务中,导致全监督图像分类任务难以进行或图像分类精度不理想。无监督学习任务虽然没有数据集标签的限制,但无监督图像分类任务存在图像分类精度不够理想的问题。针对只含有少量类别标签的训练数据集,半监督图像分类模型仍可以满足较好的图像分类精度。本文通过构建基于生成对抗网络的局部聚合编码与特征金字塔半监督图像分类模型,并融入特征强化的策略,能够在缺少带标签训练样本的数据集上获得更好的图像分类精度,降低了图像分类任务中训练数据集的限制。本文针对半监督图像分类问题进行了研究,主要成果有:(1)提出基于生成对抗网络的特征强化半监督图像分类方法。通过构建辅助分类网络优化半监督分类模型的网络结构,引入挤压激励架构与特征匹配项强化图像类别特征,从而构建特征强化半监督图像分类模型。所构建的模型通过挤压激励调节图像特征权重值,对辅助分类网络激活函数项优化,实现负值特征信息的加权处理,为挤压激励模块提供更加丰富的图像特征样本,以获取强化的图像类间特征,提升半监督图像分类精度;通过引入正则化项优化辅助分类网络和生成网络的损失函数,缓解了辅助分类网络的过拟合现象,增强了生成网络的目标梯度,提升了虚假图像的质量;在半监督网络训练过程中,通过对辅助分类网络添加人工噪声和训练数据集标签采取单边标签平滑操作以改善辅助分类网络的梯度。特征强化半监督分类模型通过强化类间特征提升了图像类间边界辨识度,在半监督图像分类任务中获得了较好的图像分类精度。(2)提出基于生成对抗网络的特征金字塔半监督图像分类算法。为了提升图像类间特征的多样性,引入金字塔型特征图子结构,构建特征金字塔半监督图像分类模型,实现多层空间图像高级语义特征和低级特征的融合。所构建的模型对辅助分类网络提取不同层的语义特征,浅层网络提取金字塔型子图像纹理特征和颜色特征等基础特征,深层网络提取金字塔型子图像有较强辨识度的形状和轮廓等高级特征,进而将多层空间子特征进行融合,构造多样性的图像类间特征,凸显不同类别图像的类间特征差异,明晰化不同类别图像的类间边界,实验结果表明,所提出的算法有效提高了半监督图像分类的准确率。(3)提出基于生成对抗网络的局部聚合编码半监督图像分类方法。为了实现对图像类间特征的选择和优化,引入局部聚合编码模型,并优化局部聚合编码本训练方式,构建局部聚合编码半监督图像分类模型,以提升图像类间特征差异辨识度。所构建的模型通过辅助分类网络提取样本图像特征,然后将提取到的样本图像特征进行局部聚合编码,通过网络推理建立样本图像类间特征和局部聚合编码本之间的映射关系,得到局部聚合编码后的图像特征视觉描述子,利用局部聚合编码后的图像特征视觉描述子对图像进行半监督图像分类。所提出方法通过局部聚合编码实现了图像类间特征的优化,能够提取具有稀疏特性的图像类别特征,提升了图像类间边界辨识度,在半监督图像分类任务中获得了较高的分类精度。