1.一种基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，包括以下步骤：S1、构建SVM判别分类模型，利用1000个有标签数据对模型进行训练；

S2、构建生成模型，利用生成模型推测出未标签数据，得到伪标签数据；

S3、将步骤S2获得的伪标签数据和步骤S1中获得的有标签数据重新训练SVM判别分类模型；

S4、测试重新训练SVM判别分类模型的准确率，重复步骤S2‑S3，直至模型的准确率达到设定目标；

步骤S2包括以下步骤：

S2.1、获取未标记样本数据，在未标签样本数据中随机选取若干个最小子集mini_batch作为集合D，mini_batch大小分别设置为取16、32、64、128、256个样本数据；

S2.2、将集合D输入含有500个隐藏单元的多层神经网络，得到出未标签数据的伪标签y；

S2.3、将集合D输入变分自编码器进行迭代训练，从变分自编码器中间层提取出的图像的50维隐变量特征z；

S2.4、利用mini_batch梯度下降法，最大化目标函数得到优化的神经网络参数；

S2.5、重复步骤S2.2‑S2.4，直至集合D迭代到1000期为止；

S2.6、输出未标记样本数据的50维隐变量特征z和伪标签数据y；

步骤S2.4的mini_batch梯度下降法中，生成模型的变分下界目标函数为：其中， 为标签

数据变分下界项， 为未标签数据变分下界

项，E(·)表示期望，pθ(x∣y,z)表示参数为θ的编码网络，pθ(y)为多项式分布，p(z)表示隐变量z的先验概率分布，qφ(z|x,y)为与p(z)相似概率分布用神经网络学习得到，分布qφ(y∣x)表示判别分类器得到的未标签数据的伪标签，H(qφ(y∣x))表示参数假设。

2.根据权利要求1所述的基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，步骤S1包括以下步骤：S1.1、获取有标签数据集，将8％‑15％的有标签数据作为验证集，8％‑15％的有标签数据作为训练集；

S1.2、提取1000个有标签训练集数据的50维隐变量特征Z，并导入SVM判别分类模型进行训练；

S1.3、将验证集中有标签数据导入步骤S1.2获得的训练后的SVM判别分类模型，获取验证集的准确率；

S1.4、重复步骤S1.1‑S1.3，直至满足终止条件；

S1.5、输出已训练的SVM判别分类模型。

3.根据权利要求1所述的基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，步骤S3包括以下步骤：S3.1、将伪标签数据和有标签数据导入步骤S1中的SVM判别分类模型；

S3.2、将步骤S1中验证集的数据导入已训练的SVM判别分类模型获取验证集准确率，重复步骤S3.1‑S3.2，直到满足终止条件为止；

S3.3、得到SVM判别分类模型。

4.根据权利要求1所述的基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，步骤S4包括以下步骤：S4.1、将测试集的数据导入已训练的SVM判别分类模型，测试SVM判别分类模型的准确率；

S4.2、重复步骤S2‑S3，直至测试准确率达到设定目标，输出训练完成的SVM判别分类模型。

5.根据权利要求1或4所述的基于生成模型与判别分类模型的图像半监督分类方法，其特征在于，所述设定目标优选准确率99.5％。