随着现代社会经济与科技的发展,日常生活与工作中产生了越来越多的信息,而其中图像占据很大比例,如何有效的处理、分析和理解图像显得至关重要。图像识别作为计算机视觉领域的研究热点之一,具有十分重要的理论意义与实际应用价值。传统的图像识别方法需要经验丰富的研究者人工选取图像特征,然后通过统计学分类器进行分类,往往识别准确率不高。在当前各种技术飞速发展的时代,传统方法的识别准确率和识别速率已经无法满足实际应用需求。而以卷积神经网络为代表的各种深度学习模型,通过多层次的卷积层和池化层模拟人类大脑自动学习图像样本的特征,得到识别准确率远超传统方法的分类器。生成对抗网络是近年来热门的生成式模型,本文进行基于生成对抗网络的图像识别方法研究。针对如何有效提升识别准确率的问题,本文从改善训练样本集方向入手,提出图像识别深度生成对抗网络模型。利用生成样本扩充训练样本集的数量和多样性,从而使判别器网络在训练中学习更多图像样本特征,从而提升分类器识别准确率。在MNIST数据集和CIFAR-10数据集以及CLP数据集上进行图像识别实验,得到结果后与其他方法进行对比,实验结果证明本文方法能够有效提升识别准确率。针对有监督学习的图像识别方法在有标签样本较少时准确率低的问题,本文结合半监督学习理论与深度生成对抗网络模型建立半监督深度生成对抗网络。模型使用少量有标签样本和较多无标签样本进行半监督学习,且将判别器替换为多分类器。模型学习有标签样本和无标签样本的整体分布生成图像样本并输入和训练分类器,使分类器能够拥有足够多的训练样本,得到准确的分类决策面。训练完成后抽取分类器进行调整后得到用于图像识别的网络结构,在MNIST数据集和CIFAR-10数据集以及MURA数据集上进行图像识别实验,得到结果后与其他使用大量有标签样本训练的方法进行对比,实验结果证明本文方法能够仅以少量的有标签样本即实现了准确的图像识别。