在训练大量标记数据时,深度神经网络显示出其在广泛的监督学习任务上的出色性能。然而,创建如此大的数据集需要相当多的资源。为了克服对大型注释数据集的需求,对半监督的研究以及其在深度神经网络中的应用不断增加,以减少所需的标记数据量。对抗式神经网络在无监督领域学习数据分布能力已经达到十分优秀的效果,越来越多的研究人员将对抗系统运用在半监督学习问题上并取得了不错的效果;本文主要的工作内容如下:第一,通过对实验结果的研究分析得出常规半监督对抗生成网络（SGAN）图像分类问题中存在的两个问题,并从最大熵原理出发分析了SGAN图像分类问题中的损失函数,并且给出了无标签数据在半监督生成对抗网络训练过程中的信息提取流程。第二,针对传统SGAN图像分类问题中生成器中只是尽可能生成靠近原数据分布的大量数据,无法控制正在生成的数据的模式,使得大量生成数据不能够充分利用造成数据浪费,本研究通过对半监督条件生成的实验,验证了条件生成模型能够利用生成已经给定标签的图像数直接对判别器进行分类训练,从而进一步利用生成的图片数据对判别器进行训练。第三,由于SGAN图像分类问题中模型对无标签数据训练形式过于单一,引入了虚拟对抗训练（VAT）单独对无标签数据进行二次信息提取,二次利用无标签数据对判别器进行在训练,提升模型对于无标签数据的信息利用率,以此提高了分类器的分类精度以及模型的鲁棒性。最终本研究在条件半监督GAN（SCGAN）的基础上结合了VAT技术提出了一种结合虚拟对抗训练和条件生成对抗网络的双重对抗条件生成深度半监督模型（BSCGAN）。双重对抗条件生成深度半监督模型在MNIST,SVHN,CIFAR10数据集的实验结果表明,能够达到较好水平的分类表现。其中模型在MNIST、SVHN、CIFAR10数据集上分别最多利用全数据集的0.14%、2.0%、6.0%做为有标签数据,在测试数据集上分别能够达到98.52%、95.49%、85.32%的预测精度。