近些年来随着互联网的不断兴起,大量图片数据爆发式增长,如何高效处理和利用这些图片数据成为了政府和公司等部门的关键任务。为此,常见的处理图像任务的方法有三种:有监督学习、无监督学习和半监督学习。在研究初期,人们倾向于采用有监督学习的方式进行图像分类任务学习。然而,这不可避免地需要消耗大量的人力和物力进行图像数据的标注。后来,相关方向科研人员尝试使用无监督学习处理图像分类任务。虽然无监督学习无需使用有标记样本,但最终的效果却不尽人意。直到上世纪七十年代,有学者提出同时使用少量有标记数据和大量无标记数据进行半监督图像分类任务的学习并且取得了比较理想的效果。之后,许多研究者在半监督学习方向上进行了许多深层次的探索并取得了许多成绩。本文工作就是围绕半监督学习提出基于残差校正互补网络的相互学习机制以改进半监督图像分类任务。这项工作主要是探讨如何加强深度卷积网络之间的相互学习从而改进半监督图像分类任务。当前研究结果显示,简单地最小化两个独立的基础网络之间的预测差异可能并不能充分利用它们之间的差异。为了获取这些差异信息,本文提出了一个建立在基础网络的基础之上的互补校正网络,它能够根据另一个基础网络的特征来修正一个基础网络的预测。所得到的无标签样本的更准确的类别预测又被用作训练目标来指导第二个基础网络的学习,以使第二个基本网络得到相对于第一个基础网络的互补信息。由于互补校正网络所学习的知识最终会通过相互学习机制转移到第一个基本网络上,从而促进整个增强型相互学习模型对图像分类任务性能的整体提升。