我们提出了一种统一的博弈论框架，用于在有限监督条件下实现分类与条件图像生成。该框架被建模为一个三玩家极小极大博弈，包含生成器、分类器和判别器，因此被称为三重生成对抗网络（Triple-GAN）。其中，生成器和分类器分别用于刻画图像与标签之间的条件分布，以实现条件生成与分类任务；而判别器则专注于识别虚假的图像-标签配对。在非参数假设下，我们证明了该博弈的唯一均衡状态为：生成器与分类器所刻画的分布均收敛至真实数据分布。作为三玩家机制的副产品，Triple-GAN具有良好的灵活性，可方便地融合多种半监督分类器与GAN架构。我们在两个具有挑战性的场景下对Triple-GAN进行了评估，即半监督学习与极端低数据量情形。在两种设置下，Triple-GAN均能实现优异的分类性能，并同时生成特定类别下具有语义意义的样本。特别地，在采用广泛使用的13层CNN分类器时，Triple-GAN在超过10个基准数据集上显著优于众多现有的半监督学习方法，无论是否使用数据增强技术。