半监督分类是图像分类领域的一个重要研究方向,它用少量的标记数据训练分类器,用大量的未标记数据辅佐训练过程,达到提高分类器性能的目的。伴随着深度学习的不断发展,半监督分类技术得到了质的提高,成为当下处理大数据分类问题的重要研究方向。如何充分利用未标记数据将是提升半监督模型分类性能的关键所在,同时,其性能的好坏很大程度依赖于网络结构、损失函数和分类器等多种因素的影响。本文针对半监督深层生成网络模型未能够充分应用未标记数据的问题,在梯形网络的深层神经网络框架的基础上,引入虚拟对抗训练和Large-margin Sofmax损失函数等约束,提出基于改进梯形网络的半监督虚拟对抗训练模型和基于梯形网络和改进三训练法的半监督分类模型,主要研究成果如下。1.针对半监督深层生成模型容易造成过拟合的问题,提出一种基于改进梯形网络的半监督虚拟对抗训练模型。该模型在梯形网络框架的基础上,以mix＿up数据增强和虚拟对抗训练相结合的模式训练分类器。首先,用mix＿up对训练数据做增强处理得到新的扩展数据,以解决半监督分类模型有标记样本较少的问题。接着,对梯形网络框架施加虚拟对抗噪声,通过构建平滑性正则化约束,提高模型的泛化能力。最后,模型以有标记数据的分类损失、未标记数据的重构损失和虚拟对抗损失相结合的方式调整参数,训练得到分类器。模型分别在MNIST、SVHN和CIFAR10数据集上进行实验,并且与其他半监督深层生成模型进行对比,结果表明本文所提出的模型能有效的增强泛化能力,提高分类精度。2.为了提高半监督深层生成模型的分类性能,提出一种基于梯形网络和改进三训练法的半监督分类模型。该模型在梯形网络框架有噪编码器的最高层添加三个分类器,结合改进的三训练法提高图像分类性能。首先,用基于类别抽样的方法将有标记数据分为三份,模型以有标记数据的标签误差和未标记数据的重构误差相结合的方式调整参数,训练得到三个Large-margin Softmax分类器;接着,用改进的三训练法对未标记数据预测、添加伪标签,并对新的标记数据分配不同权重,将新的标记数据添加到初始训练集中;然后,利用更新后的训练集训练模型。训练完成后,对分类器进行加权投票,得到最终的分类结果。模型得到的梯形网络的特征有更好的低维流形表示,可以有效地避免因为样本数据分布不均而导致的分类误差,增强泛化能力。模型分别在MNIST、SVHN和CIFAR10数据集上进行实验,并且与其他半监督深层生成模型进行了比较,结果表明本文所提出的模型得到了更高的分类精度。