目前,深度学习广泛用于各领域并取得了优异表现,但是这往往需要大量标注数据的支持。大量标注数据的获取意味着高昂的成本与苛刻的应用条件。因此,随着深度学习的发展,如何在实际场景下突破数据限制,成为目前重要的研究目标,而半监督学习正是其中一大研究方向,它通过利用大量的未标记数据辅助少量的标记数据进行学习,很好地减轻了深度学习的数据需求压力。伪标签生成方法是当前半监督学习的重要组成部分。所生成的伪标签质量的优劣会很大程度影响半监督学习的最终效果。而本文正是聚焦半监督学习中的伪标签生成方法,针对一般场景设置下的半监督学习以及具有极少标签量情况下的半监督学习场景,提出优质伪标签的生成方法。首先,针对一般半监督学习问题,本文提出了基于最优传输理论的伪标签生成方法。当前的半监督学习的伪标签生成方法多仅考虑模型输出结果且多忽略生成标签的类别分布问题,因此本文考虑在模型输出结果的基础上,引入有标记数据进行辅助并增加类别均衡约束。本文基于最优传输理论在上述约束条件下的标签生成问题统一成一个线性优化问题,通过求解该优化问题得到最终的伪标签。在求解该优化问题过程中,本文引入Sinkhorn-Knopp算法进行近似快速求解,避免了不可计算问题。当然,本文也给出了基于该标签生成方法的完整半监督学习过程。除此之外,本文根据半监督数据设置,在CIFAR-10、SVHN等经典的图像分类数据集上进行实验,验证了该方法的有效性。其次,针对稀疏半监督学习问题,即半监督学习数据中有标记数据量极少的情况,本文提出了基于泊松正则的伪标签生成方法。为解决在该极端情况下,当前大部分半监督学习算法的训练效果会大幅下降的问题,首先,本文在有限标签数据量的情况下,更加充分地挖掘已有信息,提出在利用模型输出结果的基础上,引入语义信息引导伪标签生成。在分析了利用拉普拉斯正则进行语义信息引入在标签量过少情况下的问题后,引入泊松正则项进行替代,结合泊松正则与模型输出结果约束得到了适应极少标签场景的半监督学习优化式。最后,本文使用经典的图像分类数据集并随机挑选极少数据作为有标记数据构成了模型训练数据集,在对比当前其他半监督方法的情况下,有效验证了本文所提出的基于泊松正则的标签生成方法的有效性。