近几年基于半监督图像分类取得很大的提升并为人工标注标签节省大量劳动力,尤其把生成对抗网络应用与半监督分类中取得不错的效果。Salimans提出的半监督生成对抗网络(Improved GAN)把判别器和分类器结合成一个网络,把有标签的数据输入至判别器并采用交叉熵损失函数提高判别器的分类性能,但对于无标签的数据,判别器仅辨别其真假,并不能对无标签数据进行具体的分类,并且对于生成数据生成较好质量的图像判别器仅对其判别其真伪,不能让其参与分类任务从而造成资源的浪费。因此针对上述不足,提出两种基于生成对抗网络的图像半监督分类算法,主要研究内容如下:第一,传统的半监督生成对抗网络(Improved GAN)由于有标签数据过少而造成分类准确率过低的问题,并且在训练过程中出现训练困难,收敛速度慢的问题。针对此问题,提出一种基于信息熵损失函数的Improved GAN半监督图像分类网络(Improved GAN with Shannon Entropy,SE-Improved GAN),通过对Improved GAN损失函数使用信息熵损失,把大量无标签数据利用信息熵给分类器提供反馈,来增强分类器分类能力和分类收敛速度。第二,针对利用ACGAN生成高质量的图片样本可以提高分类精度,本文提出一种半监督 ACGAN 模型——SAC-GAN(Semi-supervised Auxiliary Classifier-GAN,SAC-GAN),由于ACGAN是一种有监督的生成模型,SAC-GAN网络利用ACGAN能生成具有良好效果语义图像的能力,把带有标签的真实数据和生成数据提供给分类器进行分类提高分类器泛化能力,从而提高分类器的分类能力,并且在SAC-GAN中增加对无标签数据分类,通过香农熵对其增加惩罚项,就可以把有标签数据,无标签数据,生成数据都参与分类器的分类任务,达到更好的分类效果。本文提出的两个半监督分类模型分别在标准的手写体识别数据库MNIST,自然图像数据库CIFAR-10和街牌号数据库SVHN上完成了图像分类实验,并与其他半监督模型进行了对比,结果表明本文所提模型的算法能够获得更好的分类表现。