In dieser Arbeit schlagen wir den "adversarial autoencoder" (AAE) vor, der ein wahrscheinlichkeitstheoretischer Autoencoder ist, der die kürzlich vorgeschlagenen generativen adversären Netze (GAN) verwendet, um variationelle Inferenz durch das Angleichen des aggregierten posterioren Vektors des verborgenen Codes des Autoencoders an eine beliebige A-priori-Verteilung durchzuführen. Das Angleichen des aggregierten Posteriors an die A-Priori-Verteilung stellt sicher, dass das Generieren aus jedem Bereich des A-Priori-Raums sinnvolle Stichproben ergibt. Als Ergebnis lernt der Dekoder des adversären Autoencoders ein tiefes generatives Modell, das die aufgezwungene A-Priori-Verteilung auf die Datenverteilung abbildet. Wir zeigen, wie der adversäre Autoencoder in Anwendungen wie semi-supervisierter Klassifikation, Trennung von Stil und Inhalt von Bildern, unüberwachtem Clustering, Dimensionsreduktion und Datenvisualisierung eingesetzt werden kann. Wir haben Experimente mit den Datensätzen MNIST, Street View House Numbers und Toronto Face durchgeführt und zeigen, dass adversäre Autoencoder wettbewerbsfähige Ergebnisse in generativen Modellen und semi-supervisierten Klassifikationsaufgaben erzielen.