近年来,为了缓解像素级标注样本数量严重不足的问题,基于自训练的半监督语义分割方法得到了广泛的关注。这些方法首先用少量的有标注样本去训练分割网络,然后把大量无标注样本的预测结果作为伪标签,从而扩大数据集中训练样本的数量。但由于伪标签中存在许多噪声,因此模型性能的提升有限。此外,当有标注样本和伪标签样本的数量极不均衡时,伪标签训练反而可能会导致模型性能下降。为了有效地降低伪标签中的噪声对语义分割模型的消极影响,本文深入研究了基于伪标签训练的半监督图像语义分割方法,主要工作内容及贡献如下:首先,分析了伪标签训练策略中存在的三方面问题,研究并提出了基于协同伪标签的半监督图像语义分割模型,该模型包括高级语义错误校正模块、低级语义错误校正模块和基于双学生的分割网络,以及提出了自适应加权交叉熵损失函数。提出的高级语义错误校正模块和低级语义错误校正模块,旨在分别缓解伪标签中存在的假阳性分类错误和假阴性分类错误;提出的基于双学生的分割网络架构,旨在解决单个分割网络无法识别自身生成伪标签的错误的问题;提出的自适应加权交叉熵损失函数,旨在解决基于置信度的阈值过滤法造成的伪标签浪费问题。然后,分析了基于单分支结构的语义分割模型在伪标签训练过程中潜在的负优化问题,研究并提出了基于双分支伪标签训练的半监督图像语义分割模型,该模型包括双分支分割网络和改进的单分支解码器。提出的双分支网络由共享编码器模块和两个独立的解码器模块组成;提出的有监督分支和半监督分支,旨在降低伪标签中的噪声对有监督分支模型参数更新过程的干扰;提出的改进的DeepLabv3+解码器模块,旨在提高特征融合的效果。最后,结合本文提出的两种基于伪标签训练的半监督图像语义分割方法,进行了大量的消融实验与对比实验。结果验证了本文所提出的两个半监督模型的有效性,并通过与其他半监督语义分割方法的结果进行对比,证明了本文所提出方法的先进性。