近年来,深度学习算法取得了重大进展,目前已经是人工智能应用中最为广泛的算法,但是深度学习模型的训练需要海量的人工标注数据,生成式对抗网络（GAN）很适合用在标签数据少,无标签数据又比较多的场景。然而GAN的网络结构较复杂,庞大的计算量和参数量限制其部署在计算资源和存储资源受限的便携式设备上,资源受限这些问题仅仅针对算法优化或硬件加速设计是难以解决的。本文采用算法-硬件协同设计的方法,从适配硬件的算法优化与以算法的高效映射为导向的硬件设计两方面进行协同设计。在适配硬件的算法优化方面,通过探究经典的半监督生成式对抗网络模型的优缺点,改进半监督生成式对抗网络架构,分成两个阶段训练逐步提高网络模型的识别准确率;采用训练模型重构方案,在模型推测时将复杂的多分支训练结构转换为单分支结构,并定点化网络模型。充分考虑硬件实现时模型推测速度、灵活性以及内存消耗,在算法层面上设计出最优且适合硬件实现的半监督GAN网络结构。以算法的高效映射为导向的硬件设计方面,本文使用以输入特征点为导向的硬件加速策略来实现生成式对抗网络中的卷积转置与卷积层,并且探究卷积与转置卷积运算的四个循环的展开、分块方案,设计一种常规卷积与转置卷积通用的硬件加速器;并且搭建一个完整的半监督生成式对抗网络So C数字加速系统,在FPGA开发板上验证加速系统的计算性能、能耗比以及算法推测精度的差异。本文使用Ultra96-V2 FPGA开发板来验证半监督生成式对抗网络硬件加速系统,在片上存储容量、可用存储带宽和计算资源的限制下,加速器的峰值计算性能达到了115.2GOPS,性能功耗比达到了25.1 GOPS/W,相比于目前其他先进设计方案,计算性能与能效比均有了显著提高。