半监督学习能够在少量的标注数据下对模型进行训练,通过挖掘大量无标注数据隐藏的信息,解决标注数据难以获取的问题,是深度学习的重点研究方向。在半监督学习领域中,由于多视图学习结构复杂,训练难度大;对抗生成模型又对标注数据完备性要求高,因此不适用于复杂场景的图像分类;而一致性正则化可以从样本扰动的误差上对模型进行约束,将标注信息传播至无标注数据,是目前解决半监督图像分类问题的主流方案。但是当前一致性正则化方法未能在增广模式多样性上取得进一步成果,因此模型在特征数量不足或者错误标签等复杂情况下的分类效果不达预期。为此,本文围绕着多模式增广改进模型训练方法,重点解决半监督分类模型在小样本标注和失配样本下的泛化能力下降问题,具体研究内容如下:（1）提出一种新的多模式增广半监督图像分类方法。首先,结合预测输出置信度和偏差度量,提出基于不确定性筛选的样本增质方法;其次,建立多种增广模式相结合的样本增容方法;最后,基于增质增容样本集构造伪标签一致性度量的损失函数,建立一种新的半监督图像分类方法。（2）提出基于小样本标注的内嵌打标器半监督分类方法。首先,在已有的网络模型中建立基于小样本标注的打标模块;其次,再将标注数据的先验信息用于深度网络分类器集中训练,校正网络参数;最后,通过周期性打标及冻结训练,实现小样本标注下半监督模型泛化能力的提升。（3）提出基于负学习的开集半监督分类方法。首先,结合特征的余弦相似度及其欧式距离,建立失配样本检测方法;其次,基于失配样本与已知类别的差异引入负学习机制,用失配特征反向约束模型,使其聚焦于已知类别的泛化;最后,构建多个开集数据集,验证模型在已知类别下的泛化能力。