本文针对传统深度神经网络在图像识别中的实际训练以及应用上所存在的标注数据难以获取、模型效果不稳定以及模型对数据分布影响较为敏感等问题,以生成对抗网络为基础,设计并实现一种半监督图像识别方法,即深度卷积半监督生成对抗网络（Deep convolutional semi-supervised generative adversarial networks,DCSGAN）。本文在研究半监督深度生成图像识别网络的过程中,主要做了如下三项工作:（1）基于深度卷积半监督生成对抗网络的图像识别模型的设计与实现本文从研究与学习传统的深度产生模型出发,结合以上问题进行分析后,提出了一种基于深度卷积生成对抗网络（DCGAN）的半监督图像识别方法利用生成对抗网络的对抗训练的特性同时训练生成器与鉴别器,训练生成器根据已标记数据拟合完整数据分布来实现半监督训练,通过生成器进行数据增强来提升模型效果,最后将训练完成的鉴别器应用到图像识别任务中。（2）基于Res Net的生成对抗网络生成器与鉴别器的设计与实现传统的深度卷积生成对抗网络使用普通的卷积神经网络作为生成器与鉴别器,其于训练的实际过程中有着梯度消失与梯度爆炸等退化问题。该问题在网络深度增加的过程中尤为明显,而这样的问题在生成对抗网络的对抗训练过程中影响较大。故而本文使用Res Net替代传统卷积神经网络作为生成对抗网络的生成器与鉴别器,可以有效减轻训练过程中的退化问题,并可以通过加深网络结构来增强模型效果。（3）设计适应图像识别任务的鉴别器传统的生成对抗网络鉴别器为二分类器,主要用于判断输入的图像是否处在真实的数据分布之中,其无法判断图像具体类别。本文使用多分类器替代传统鉴别器来满足图像识别任务的需要。