对于分类问题,基于大量有标签数据的监督学习研究已经取得了很多成果,但现实中想要获取充足的有标签样本非常困难.实际我们能获得的大部分数据都是无标签的或者所含标签值是绝大部分缺失的,所以关于通过学习大量无标签数据中的数据信息来帮助提高模型泛化能力的半监督学习算法一直是我们研究的热点与难点.半监督学习解决了标签值不足时监督学习算法泛化能力不强与缺少样本标签引导时无监督学习算法不准确的问题.半监督学习常见的算法可以分为低密度分割法、基于图的研究、基于分歧的方法与生成式方法,其中生成式方法中的生成式对抗网络就是本文研究的对象.作为目前机器学习研究的热点,生成式对抗网络(GAN)使用的是零和博弈的思想.构成GAN模型的判别器和生成器通过不断博弈优化各自的模型,判别器输出输入的数据属于真实数据的概率值,生成器学习真实数据的分布.由神经网络组成的判别器根据分配给真实数据低概率值而分配给生成数据高概率值形成的损失来梯度下降更新参数,同样是神经网络的生成器根据判别器分配给生成数据低概率值形成的损失来梯度下降更新参数,判别器与生成器交替优化,最终达到纳什平衡,也就是判别器无法区分输入的数据是真实数据还是生成数据.本文利用Improved GAN半监督分类的思路,在模型前加入了一个弱分类器,先利用有标签数据训练一个弱分类器,将弱分类器对无标签样本的预测结果作为该样本的伪标签值.然后,我们修改了原始模型的损失函数,利用这些少量的有标签数据与带伪标签的原始无标签数据来训练GAN模型,在满足更新无标签数据集的伪标签条件后更新其中超过某个函数阈值的样本的伪标签,在更新多次之后伪标签值基本与无标签数据的真实标签接近.将本文算法应用到三个常见图片数据集中进行验证,我们发现此算法缓解了半监督分类中对于有标签数据过少带来的分类精度不足的问题,同时GAN的生成器还能学习到真实数据的分布,生成真实度与清晰度尚可的样本,生成数据的模式崩塌现象几乎没有出现.