有监督分类已经成熟地运用于垃圾邮件分类、性别分类、文本分类和图像分类等领域,在在图像分类问题上,基于大量有标记数据样本的监督分类工作已经有了很多成果,但在实践中有监督分类任务需要充足的有标记样本,这一点实际应用时有时会十分困难,因为大部分简单易获取的数据样本都是无标签或聚类标签缺失的,所以如何利用大量无标记的样本数据来提高模型分类能力的半监督分类算法逐渐成为了图像分类领域研究的热点与难点。半监督学习算法能够利用未标记数据样本中隐含的监督信息提高模型泛化能力。本文重点研究基于生成对抗网络的生成式方法。生成对抗网络（Generative adversarial net）已经成功应用于解决半监督图像分类任务,作为目前半监督分类中的研究热点,采用零和博弈思想的生成对抗网络构建成的GAN模型通过判断器与生成器的不断博弈优化提高自身模型的生成能力与分类能力,判断网络输出的是输入数据属于真实数据分布的概率值,生成器通过真实数据学习并产生与真实数据同分布的样本,由神经网络组成的判断网络根据判断真实数据与生成数据准确率的概率值形成损失并通过梯度下降更新参数。生成网络同样由神经网络构成并通过判断器返回的概率值损失来梯度下降更新参数,判断器与生成器交替优化训练并最终达到纳什平衡。当标记图像数据样本十分有限时,GAN的传统算法仍无法充分利用未标记样本数据来增强分类器,同时传统特征匹配方法在分类中也存在缺点,因此利用未标记数据样本提高其分类能力依然是当前研究的挑战。本文基于triple-gan半监督分类网络模型和著名的聚类假设改进出新的集群一致性网络模型,其目的是利用未标记图像数据的聚类结构和生成图像的分布提高分类能力。具体包括改进的集群一致性损失函数和特征匹配方法,前者可以保持每个未标记图像的集群一致性从而提供隐式监督信息来增强分类器,后者促使生成器从真实图片的低密度分布区域生成对抗图像,提高分类器的识别能力并抑制模式崩塌。在MNIST、CIFAR10、SVHN和绝缘子数据集上进行实验结果表明,改进的GAN模型在半监督图像分类任务中可以达到较高的精度。