近年来,生成对抗网络（Generative Adversarial Networks,GAN）成为了人工智能领域一个重要的研究问题,它的对抗训练方式推动了各类计算机视觉任务的发展,有着广泛的应用场景。然而在现实场景中,获取有标签的数据往往与获取大量无标签数据不同,需要付出很高的标注成本。本文将着重研究在半监督条件下,利用大量无标签数据提高半监督生成对抗网络的性能。针对由于有标签数据不足,导致生成图像的分布与真实图像分布存在域偏移的问题,本文提出了基于特征语义匹配的正则化方法（Enhancing TripleGAN with feature-semantic matching,EnhancedTGAN）,约束生成图像数据在分类器的隐空间上与训练数据的分布一致性。为解决由于有标签数据的缺乏导致分类器学习到不好的决策边界的问题,本文通过引入两个分类器的协同学习,提升分类器的泛化能力以及更好地指导生成器训练。最后更高质量的生成图像又可以反过来作为分类器的数据扩充加入训练。针对半监督生成对抗网络中真实的有标签数据以及生成的数据之间存在对抗不平衡的关系,本文提出了基于随机区域替换的判别能力正则化方法（Class-conditional GAN based on Random Regional Replacement regularization,R~3-CGAN）。由此本文构建了不同类别之间以及真假类别之间两种类间样本,由于这些样本很大概率落在分类器以及判别器的决策边界附近,这对于两个网络训练的正则化有着重要的作用。在分别提升两个网络的性能的同时,又可以同时指导生成器生成更高质量的图像。本文在多个基准数据上实验验证了本文提出的正则化方法在半监督图像分类以及图像生成上的有效性。