近年来,将深度学习技术应用于半监督学习（semi-supervised learning,SSL）的研究掀起了一阵热潮。半监督学习是一种结合有监督信息样本与无监督信息样本的模型训练提升算法,该算法更适合于实际应用场景。在这些场景中,未标记的数据易于获取并且随时可用,而数据的标定工作成本高昂且耗时。SSL能够充分利用未标记数据构建性能更好的分类器,适用于标记训练数据量不足的情况。本文主要研究深度学习和集成学习在半监督学习领域上的应用,具体研究内容如下:（1）针对现有的半监督算法在小样本情况时对神经网络模型泛化能力提升较弱的问题,首先在标准半监督数据集CIFAR-10上完成了三组小样本的神经网络训练,通过对实验结果的分析,提出了一种集成神经网络的半监督学习算法。该算法通过简化单个网络的学习任务来提升单模型的性能,并将多个单模型输出结果有机的结合,共同完成样本筛选过程。算法分为训练阶段和标注阶段两个环节。在训练阶段,每两类之间都训练一个三分类模型,第三类为随机采样的背景类（背景类通过不属于这两类的其他样本采样得到）,根据模型的分类类别将输出结果组合成类别筛选器;在标记阶段时,类别筛选器根据模型在验证集的表现对输出加权得到样本的类别置信度,筛选出置信度满足互斥规则的样本,保留的样本与同类别有标注的样本加权融合生成新样本,通过两个阶段的反复迭代来提升网络的表现。将该算法的实验结果与其他半监督算法进行比较,提出的集成半监督算法在不同的半监督学习测试条件的结果都得到了提升,错误率下降了1%～2%。（2）针对基于一致性损失的Temporal ensembling算法在实际应用场景中难落地的问题,提出了一种改进方案。主要包含两方面的改进:原算法在训练初期主要依赖少量的有监督样本,有效样本的数量成为限制模型性能的一个重要难题,本文提出了一种基于无监督信息样本的旋转角度预测的自监督预训练方法,使用该方法在无监督样本上预先训练并迁移网络权重至后续任务,提升了训练初期网络的表现;针对原算法损失函数存在无法准确跟踪网络当前性能的缺点,提出了一种改进的损失函数权重值计算方法,引入周期范围内的交叉熵损失项平均梯度值作为一致性损失的权重值,提升了模型训练的鲁棒性。在小样本量的有监督数据集上,改进的算法的分类效果比原算法有了较大的提升,分类错误率降低了2%～20%。（3）最后,总结了本文的主要研究内容,并对下一步研究工作进行了展望。