训练深度神经网络通常需要大量带有标签的数据,在实际应用中成本高昂。通过利用从无标签数据中学习的隐藏结构以减少甚至完全移除标签,半监督学习和无监督学习已经引起了人们的广泛关注。这些方法的关键在于如何从无标签数据中自动提取抽象的特征表示,以提升模型的鲁棒性能。当前半监督学习和无监督学习方法呈现低一致性、数据增强单一、辅助任务不合理等特点,模型的设计仍需要进一步探索。本文的主要工作和创新总结如下:（1）提出了一个基于互信息最大化与数据增强的半监督多重匹配识别模型Multi-Match。该模型包含一个简单增强分支和一个复杂增强分支。为保证信息的一致性,在简单增强分支中引入了一项互信息损失,不仅可以最大化输入和输出表示之间的互信息,还能最大化输出间的互信息。此外,针对现有信息移除方法区域性设计的不合理,提出了一种高效的信息移除方法CutEdge,并将其运用到复杂增强分支中来扩充数据增强方式。该方法以一定概率移除输入边缘处的多个区域,从而确保对目标进行部分移除。最后,模型还添加了一项一致性损失使复杂增强分支的输出接近于简单增强分支的输出,进一步提升了半监督图像识别模型的鲁棒性。实验结果表明,在不同标签比例的CIFAR-10、CIFAR-100和SVHN数据集上,该模型能够有效地提高识别准确率,减少了对标签数据的依赖。（2）提出了一个基于扰动一致性与互信息正则化的半监督一致性分割模型SCSeg。半监督识别任务成功的关键在于向无标签数据的低密度区域添加扰动,确保输出的一致性。相似的思路可以运用到半监督分割任务中。之前的方法已经证明了在分割任务中数据的低密度区域出现在编码器输出的特征中,然而现有方法仅为编码特征添加单一的扰动。模型优化了扰动的添加方式,即在每次参数更新时为编码特征添加不同类型的扰动,使扰动特征和未扰动特征的解码输出保持一致。此外,为解决像素级的一致性损失无法度量像素间存在的空间关系,模型还引入了一项区域互信息损失。通过最大化无标签数据的模型预测与其伪标签相邻区域的互信息,从而使模型能同时关注区域级和像素级的一致性,进一步提高一致性正则化效果。实验结果表明,在不同标签比例的Pascal VOC 2012和Cityscapes数据集上,该模型能够获得更高的平均交并比和更清晰的分割边界。（3）提出了一个基于预训练检测网络与无监督学习的目标位置分割模型OLSeg。图像分割的标注既昂贵又耗时,而目标检测任务通常更容易获取有标签的训练数据。因此,结合预训练检测网络和无监督学习进行图像分割,能有效地避免使用分割标签。通过设计一个基于视频中目标实例稀疏分解的辅助任务,利用图像实例的稀疏性和视频的帧间结构来获得目标的分割图。为提高识别“正确”目标的准确性,使用一个预训练的目标检测网络来提供目标实例的位置信息。分割模型通过在视频数据中训练,能够获得单张图像的前景、背景和分割图。模型性能的提升得益于目标实例的稀疏性（前景和背景）和位置信息（边界框先验）,为输入提供了全面且鲁棒的视觉表示。实验结果表明,在YouTube Objects、Internet和MSRC数据集上,该模型能有效地提高分割性能,获得更清晰的分割边界。