在人工智能大数据的时代背景下，图像信息已经成为互联网信息交流主要媒介，所以对图像识别技术进行深入研究，具有十分重要的意义。传统的图像识别方法需要人工设计特征，在图像识别效率和识别准确率两方面已经无法满足人们的需求。深度学习方法摒弃了传统的人工提取特征的方式，可以自动的从数据集中进行学习，提高了图像识别的效率。
　　生成对抗网络借鉴了博弈论思想，在模型中引入了对抗机制，因其强大的生成能力，备受广大研究学者的青睐，成为深度学习领域最受欢迎的研究对象。本文使用生成对抗网络对图像识别技术进行深入研究。在原有的图像识别深度生成对抗网络IR-DCGAN模型的基础上，本文提出了多级联特征金字塔的生成对抗网络Cascade-DCGAN模型，与IR-DCGAN模型相比，本文提出的Cascade-DCGAN模型生成样本质量更高，判别器能够学习更多的图像特征，进而提高分类器的识别准确率。实验结果表明本文提出的方法要优于目前常用的图像识别方法。
　　生成对抗网络可以生成大量的伪标签图像，间接使用无监督学习的方法扩展了训练集，分类器可以学习到更多的负样本特征。但是在许多应用场景中，获取标记后的数据集代价十分昂贵，想要扩大数据集的规模也越来越困难。针对这个问题，本文提出了基于主动学习的生成对抗网络AL-DCGAN模型。实验结果表明本文提出的方法在理论和实验上都是有效的。进一步降低了人工标注的数量和成本，在仅有少量有标签样本数据集的情况下，仍然具有较高的识别准确率。