StyleGAN是一种基于生成对抗网络的图像生成方法,它在图像生成领域占据着重要的地位.但传统的StyleGAN生成图片质量依赖于训练集样本质量,当训练集图片质量较低时,StyleGAN往往不能很好发挥作用.针对此问题,本文提出一种基于半监督的StyleGAN模型(SG-GAN).对于单个图片的生成,首先根据StyleGAN模型中w向量和图像的一一对应关系,生成训练样本并导入支持向量机(SVM)进行训练.然后,利用SVM和StyleGAN的mapping　network在每次生成图像前对w向量进行筛选,挑选合格的w向量生成图像,以提高生成图像质量.对于批量图片的生成,首先经过基因向量生成器生成基因向量并随机组合在一起,采用动态循环回溯算法求得风格向量的所有排列,根据排列结果产生交配后的个体,最后,经过评价函数进行个体的筛选,在模型的多次迭代后,最终找到更加优秀的个体.本文在公开数据集上与几种先进同类方法进行了对比实验,实验结果表明:在lsun猫脸数据集上,模型FID2.74的准确率最高可达　74.2%,召回率可达51.2%.经验证,该模型在lsun数据集上的准确率明显优于StyleGAN模型,进一步证实了该模型的有效性.同时,模型在Cat　Dataset,CIFAR-100和ImageNet数据集上均达到70%以上的准确率,从而验证了模型具有不错的泛化性.