在实际应用中,标记样本的获取往往较为困难,这会导致传统机器学习模型泛化能力不强、性能不足。半监督学习主要研究在标记样本不足的情况下,利用未标记样本来改进模型决策边界从而提升模型的性能表现。同时,宽度网络具有网络结构简洁灵活、学习过程高效快速的优点,因而本文主要围绕基于宽度网络的半监督图像分类展开研究,主要研究成果及贡献如下:1.针对常规宽度网络中线性稀疏特征提取方法难以对数据的复杂非线性特征进行有效表征,以及标记样本不足时宽度网络的泛化性能难以得到保证的问题,提出基于自动编码器和超图的半监督宽度网络。首先,使用包括标记样本和未标记样本在内的全部样本训练自动编码器,利用训练好的自动编码器自动提取数据的复杂非线性特征;其次,将自动编码器特征层中的特征作为网络的特征节点并对其进行随机宽度拓展;再次,构造半监督超图以挖掘标记样本和未标记样本间的高阶流形关系,并将超图正则项引入宽度网络的目标函数中;最后,利用岭回归对目标函数进行求解,实现对未标记样本的类别预测。2.针对基于图的半监督学习算法拉普拉斯矩阵计算代价高昂,以及利用生成对抗网络解决半监督学习问题必须引入精心设计的人工标记的问题,提出基于生成对抗训练的半监督宽度网络。首先,利用包括标记样本和未标记样本在内的全部样本训练变分自动编码器;其次,将变分自动编码器作为生成器生成伪样本,并为伪样本打上新类别标签与真实标记样本组成类别扩充训练集;再次,将卷积宽度神经网络作为判别器并在类别扩充训练集上训练;最后,根据生成对抗训练思想,通过重新设计损失函数实现生成器与判别器的对抗训练。经过多次的迭代,生成器逐步生成更具迷惑性的伪样本,使判别器学习到样本更加本质的特征,从而实现在少量标记样本条件下的半监督图像分类。3.针对半监督学习中,有限数量的标记样本分布与真实样本分布存在较大差异,导致宽度网络难以取得预期效果的问题,提出基于领域扩充的残差半监督宽度网络。首先,通过基于归纳偏置的自适应领域扩充方法对标记样本进行领域扩充;其次,将残差连接与宽度网络相结合,并利用领域扩充样本训练残差宽度网络;最后,利用置信度对未标记样本进行有针对性地挑选并标记以扩充标记数据集。重复以上步骤,直至网络收敛,完成在半监督条件下的图像分类任务。分别在MNIST、NORB、SVHN数据集上进行了仿真实验,结果表明:本文所提宽度网络具有较好的半监督分类性能。该论文含有图25幅,表13个,参考文献131篇。