监督学习的精度极大依赖于标签样本数量,人工标记样本的成本很高,利用大量无标签样本及有限数量标签样本的半监督学习成为提升算法精度的有效方法。深度学习的生成模型仅利用输入样本本身作监督,在半监督学习中可以帮助学习器利用大量无标签样本数据学习样本的分布情况,成为半监督学习领域的新方法。本文在详细研究了对抗自编码器(AAE)模型结构及训练过程后发现:在半监督分类任务中,模型具有两个不同的判别器,两种约束在训练过程中会削弱彼此的正则化能力;同时在半监督分类任务中,并不关心解码器生成样本的样式问题,并且实验证明,对标签变量进行约束的同时也能够使得隐变量分布向高斯分布靠拢。因此,本文对AAE模型进行优化,提出了半监督对抗自编码器SSAAE(Semi-Supervised Adversarial Auto-Encoder)模型。SSAAE模型仅通过对标签变量进行正则化约束,消除了AAE模型中隐变量判别器和标签变量判别器两个判别器对正则化的影响问题。在MNIST数据集、SVHN数据集以及医学图像上实验,分类结果优于AAE模型,且优化后的模型更易训练,收敛速度更快。AAE模型以多层感知机作为网络的基础结构。考虑到卷积神经网络相比于多层感知机拥有更加强大的特征学习能力,因此对对抗自编码器中的多层感知机结构进行替换,使用特征学习能力更强并且表现更加稳定的卷积神经网络结构,提出DCAAE(Deep Convolutional Adversarial Auto-Encoder)模型,该模型的生成对抗部分与DCGAN相似。实验证明,DCAAE模型在分类准确率及收敛速度上均优于SSAAE。