半监督学习是当前深度学习领域研究的热点和难点之一,它是一种基于大量无标签样本以及少量无标签样本进行图像分类的方法。传统的半监督学习的主要方法有协同训练、半监督支持向量机和图论半监督学习等。随着深度学习的发展,越来越多的专家学者开始采用深度学习的方法解决半监督学习问题,其中最具代表性的就是半监督生成对抗网络。作为一种新兴的深度学习方法,生成对抗网络在图形生成、图形修复及图像分类等问题上表现出了良好的性能,然而,其在半监督分类问题上仍存在模式崩塌、分类精度不足等问题。针对半监督生成对抗网络存在的不足,本文提出两种基于改进的半监督生成对抗网络图像分类方法,具体研究内容如下:第一,针对半监督生成对抗网络分布匹配能力较弱,在数据复杂度增加的情况下不可避免地会在流形外产生样本的问题,采用一种基于流形正则化的方法。流形正则化鼓励分类器对生成器参数的局部扰动保持不变,即对数据流形中距离较近的点赋予相似的标签,提高模型泛化能力。同时针对有标签样本,采用可伸缩SVM损失函数代替Softmax,提高对有标签样本的分类准确率。第二,全局流形正则化对局部数据流形的扰动不敏感的问题,采用局部流形正则化方法,通过在数据流形上构建局部生成器,防止模型陷入局部崩溃,从而解决判别器训练过度的问题。本方法的核心是提出一种带有局部流形正则化项的新的损失函数,强制模型对数据流形的局部扰动保持不变性,增强模型的鲁棒性,降低半监督图像分类的错误率。在Cifar-10、SVHN、Cifar-100数据集上进行实验的结果表明,相较于传统的半监督生成对抗网络,所提算法在半监督分类问题上具有更好的分类性能。