近年来,由于数据量的增长、运算能力的提升和训练算法的创新,深度神经网络已经成功地应用于许多实际场景中。然而,这样的成功在很大程度上依赖于大量昂贵的有标签数据。为此,研究人员提出了同时利用少量的有标签数据和大量的无标签数据来促进深度神经网络学习的半监督学习方法,并且在众多任务中都取得了出色的效果。针对有标签数据数量有限的问题,本文提出了两种半监督学习方法来缓解深度神经网络对有标签数据集的依赖。针对现有半监督学习方法通常忽略了所构建的训练目标存在不可靠性的问题,本文第一个工作提出了基于深度协同自适应半监督图像分类模型（Deep Co-Adaptation model,DCo A）。该模型由多个组成网络通过调整其对无标签数据的预测结果来进行协同学习。为实现该思想,将附加的自适应模块并入每个组成网络中,以学习从自身的预测到配对网络的预测之间的转换概率矩阵。因此,组成网络之间可以交换训练经验,而不会对训练目标的不可靠性过于敏感。为了进一步加强协同学习,鼓励每个网络产生与集成预测结果一致的预测,同时抵抗针对其自身及其配对网络的对抗性干扰,使得组成网络之间能够相互增强。针对分类模型在监督信息有限的情况下总是倾向于学习到最有区别度的特征以至于可能专注于不重要区域的问题,本文第二个工作提出了一种基于类别模糊数据构造和注意力正则化的半监督分类模型（Class-Ambiguous Data construction and Attention Regularization,CADAR）。该模型包括两个模块:（1）随机区域插值模块用于构造复杂且有效的类别模糊数据,以便可以在决策边界附近规范模型的行为。并且在训练阶段通过聚合分类网络的参数来对无标签数据产生稳定且准确的训练目标,随机区域插值模块可以应用于无标签数据和有标签数据。（2）注意力正则化模块用于约束原始数据和合成数据产生一致性的注意力激活图,引导模型发现与对象相关的重要空间区域并从中获取可靠的信息。在多个半监督学习基准数据集上进行了广泛的实验,验证了本文所提出的模型的高效性。