1.一种基于生成对抗网络的宫颈细胞图像半监督学习方法，其特征在于，包括如下步骤：(1)训练生成对抗网络，生成负样本分布；

(2)训练分类器，学习正样本和负样本的判别边界；

(3)基于已训练的分类器模型，对已检测到的未知单细胞图像进行分类；

步骤(1)的具体步骤为：

(1‑1)设置训练迭代数目T1；

(1) (2) (m)

(1‑2)从噪声先验分布pz中抽取{z ，z ，...，z }，共m个噪声样本作为最小批次的样(i)本数据，其中z 为随机噪声样本；

(1‑3)从未标记数据分布pU中抽取 共m个噪声样本作为最小批次的样本数据，其中 为未标记的样本数据；

(1‑4)使用概率随机梯度下降算法，更新判别器D：(i)

其中，D(x)为决策函数，G(z)是生成样本数据， 为未标记的样本数据，z 为随机噪声数据， 为正样本数据；

(1) (2) (m)

(1‑5)从噪声先验分布pz中抽取{z ，z ，...，z }，共m个噪声样本作为最小批次的样(i)本数据，其中z 为随机噪声样本；

(1‑6)使用概率梯度下降Adam算法，更新生成器G：其中，D(x)为决策函数，G(z)是生成样本数据；

(1‑7)如果达到迭代数目T1，终止训练迭代；

步骤(2)的具体步骤为：

(2‑1)设置训练迭代数目T2；

(1) (2) (m)

(2‑2)从正样本分布pp中抽取{xp ，xp ，...，xp }，共m个正样本作为最小批次的样本数据；

(1) (2) (m)

(2‑3)从噪声先验分布pz中抽取{z ，z ，...，z }，共m个噪声样本作为最小批次的样本数据；

(2‑4)使用Adam算法，更新生成器C：(i)

其中，C(x)为分类决策函数， 为正样本数据，z 为随机噪声数据；

(2‑5)如果达到迭代数目T2，终止训练迭代。