在多数大数据应用领域中,数据的标注需要相关专家投入大量时间精力才能够完成,因此要将数据全部标注具有很大的困难。半监督学习是将大量无标注数据和少量有标注数据结合起来一起训练的一种机器学习方法。因为其不需要太多标注数据,所以在近几年来得到了越来越多的关注。传统的半监督学习方法都是基于“伪标签”的概念,有如下缺点:1)伪标签是模型对于无标签数据的预测值,通过概率计算得到,并不是真实的标签,不能保证准确。2)当模型通过含有错误伪标签的数据进行学习时,可能会学到错误的特征,反而在一定程度上降低了模型的性能。本文针对“伪标签”质量不稳定而使得训练结果不理想的现象,提出了一种基于生成对抗网络的新的半监督学习方法。主要贡献如下:1.能够自动生成指定标签的新数据。针对传统半监督学习中生成的“伪标签”质量不稳定的问题,本文提出了将生成对抗网络加入半监督学习当中的新方法,在训练过程中指定标签类别,使得生成器不仅要学习数据集中图像的总体特征,还要学习不同类别的相关特征,以此来生成更真实的指定类别数据。通过生成的带有指定标签的数据,增加训练的数据量。2.重新设计了生成对抗网络的判别器,将数据分类加入其中,使得模型能够应用在半监督学习上。改进判别器后,判别器既可以判断数据的真实性,也可以判断数据的类别,并且能够分别从训练集中的有标签数据、无标签数据、由生成器根据指定标签生成的数据中进行学习。通过生成器和判别器之间的博弈,使得模型达到纳什均衡,实现良好的半监督分类性能。3.实现了将模型从2D图像到3D图像的迁移,并对模型进行了进一步的改进和封装,使其适用于更多场景。算法细分了训练过程中的损失函数,添加了损失函数间的平衡系数,去除了判别器对于生成数据的标签判断。在实验中,本文算法在公开数据集上的分类准确率总体高于当今最好的半监督模型Mean Teacher。