近年来,深度学习发展迅猛,并且在医疗影像领域取得了巨大的进步,医学图像分类这门技术也被广泛地应用到临床工作中辅助医生对医疗影像进行筛选和诊断。当前的医学图像分类方法大多数是基于有监督学习,训练过程中非常依赖标签数据,然而医学图像领域中大量且优质的标签数据获取非常困难。尽管大量无标签数据很容易从临床实验中获得,但有标签数据的获取需要专业医师的人工标注以及专业的医学知识帮忙判断,并且标注过程中会不可避免地产生噪声干扰问题,这会对之后的医学图像分析工作带来巨大影响。因此上述问题给智能诊疗的发展带来了诸多的限制。在当前医学标签数据获取困难的情况下,近年来发展迅速的半监督方法使得这一问题得到有效地解决,该方法主要通过使用部分有标签数据和大量无标签数据进行网络训练,希望通过有效地将半监督方法应用到医学领域,以此来解决当前医疗影像领域标记数据匮乏的问题。本文针对医疗影像中标签数据匮乏的情况,通过改进现有半监督方法的不足之处、有效利用无标签数据之间的内在关系以及结合虚拟对抗训练来设计半监督医学图像分类算法。本文的研究内容与贡献概括如下:1.构建了双学生样本关系网络框架,通过构建双学生模型来克服平均教师方法中出现的耦合问题,同时通过对不同样本之间的内在关系进行建模,挖掘样本之间更深层次的关系。与现有基于一致性的半监督方法相比,我们的网络结构通过样本关系一致性进一步挖掘无标签数据的内在信息。2.为了进一步提升网络对图像数据的特征提取能力,本文在提出的双学生样本关系网络框架中引入了注意力机制来帮助网络从图像数据中挖掘更多信息。因此本文提出了基于注意力机制与样本间关系的半监督方法,通过在皮肤癌数据集上进行验证,训练结果优于常规的半监督方法,实验证明了注意力机制的加入以及样本间关系的探讨对网络训练结果有一定的提升。3.针对现有医学图像模型鲁棒性和泛化能力弱的问题,本文引入了虚拟对抗训练来帮助网络提升鲁棒性和泛化能力,在双学生样本关系网络框架的基础上提出了基于虚拟对抗训练与样本间关系的半监督方法,在训练过程中分别加入对标签数据和无标签数据的虚拟对抗训练,并结合样本间关系来对无标签数据进行特征提取,通过在视网膜病变数据集上进行测试,实验结果表明在基于虚拟对抗训练的干扰下,该方法预测结果优于常用的半监督方法,证明了网络泛化能力的优异。