钢铁产业是我国的重要基础产业,而带钢正是其中重要的中间材料,带钢加工过程中的表面缺陷检测技术始终是研究的热点。传统的计算机视觉结合深度学习的带钢表面缺陷分类方法,在监督学习下往往关注边缘检测算法和分类网络的改进。带钢表面缺陷分类任务存在着数据集样本量较少、样本标签标注困难的特点,限制着传统监督学习下分类模型的性能提升。半监督学习（Semi-supervised Learning,SSL）可以同时利用有标签和无标签样本进行深度学习下分类模型的训练,从而减少训练数据集样本的标签标注工作。为了将半监督学习思想引入到带钢表面缺陷分类系统中,解决制约传统监督学习性能的样本标注困难等问题,基于Resnet18的半监督学习带钢表面缺陷分类系统结合半监督学习的伪标签思想,使得原本需要在监督学习下训练的分类模型可通过有标签样本和无标签样本混合的数据集进行训练,实现半监督学习,减少带钢表面缺陷分类任务中初始数据集的标签标注工作。基于DCGAN和Resnet18的半监督学习带钢表面缺陷分类系统引入了对抗生成网络（Generative Adversarial Networks,GAN）进行无标签样本的生成,为分类模型的训练提供更多的样本支持。除此之外,在半监督学习下,为了使GAN和分类网络有效结合,系统采用了新的投票机制,使得GAN生成的样本可以先贴上一个合适的伪标签,再被分类网络进行学习。在数据增强的思想下,半监督学习能提升系统在带钢表面缺陷初始样本量有限情况下的分类精度,并使系统有更好的鲁棒性和泛化性。实验表明,基于Resnet18的半监督学习系统可以在约2%的分类精度损失下,减少75%标签标注的工作量;而基于DCGAN和Resnet18的半监督学习系统可以在合适的样本扩充倍数下,为系统的分类模型提升约2%的最高分类精度,取得较好效果。