本文将高光谱显微成像系统与生成对抗网络（Generative Adversarial Network,GAN）分类算法相结合,提出了一种新的针对多种类荧光分子样本制备结果的检测方式。和传统的紫外线激发成像相比,本文提出的算法弥补了紫外线激发成像难以把控细节、需要较多专家知识等不足,提高了对多种类荧光分子制备结果评判的效率和准确度。本文首先搭建了显微高光谱系统对多种类荧光分子进行数据采集,并对数据进行了预处理。文章中对最优的成像模式进行了探索分析,并对数据集的相关参数和光谱特征进行了分析。在预处理中,采用吸光度转换进行了光谱校正,采用自适应波段选择算法（Adaptive Band Selection,ABS）进行了波段选择,采用标准化处理消除数据量纲的影响,提升网络收敛速度。之后本文提出了一种基于卷积的半监督生成对抗网络模型。该算法将无标签的真实样本输入了模型进行特征提取,充分利用了数据集中的真实样本,解决了高光谱图像分类问题中有标签样本少的问题。通过实验验证可以发现,本文提出的算法的总体分类精度、各类别平均分类精度和Kappa系数明显高于传统机器学习分类算法和已有的半监督生成对抗网络算法,但在个别样品类别中表现不佳,这是因为物质的吸收峰超过了高光谱成像仪采集范围,因此难以将物质与背景进行区分,后续会针对这一问题对算法进行改进。在网络训练过程中,本文设计了一种三阶段训练方式。在第一阶段,仅将真实样本输入判别器进行训练;在第二阶段,固定批归一化（Batch Normalization,BN）层的均值和方差,将假样本输入判别器一起训练;最后在第三阶段中,固定生成器的参数,继续对判别器进行训练。本文设计的三阶段训练方式,一定程度上提高了网络的分类准确率,同时加快了网络收敛速度。最后,提出了一种基于空谱联合特征的半监督生成对抗网络分类模型。该模型的输入数据是包含了空间信息的体素块,通过提取空间邻域中的纹理信息,辅助不同种类的荧光分子进行分类,从而提升分类的准确率。实验结果证明,该模型有效解决了基于卷积的半监督生成对抗网络中个别类别分类结果不佳的问题。