语义分割是计算机视觉领域中的一个重要方向。随着医学图像分析、汽车的自动驾驶等领域的发展,语义分割任务变得越来越重要。语义分割结果的精确度越高,对于下游任务的效果越好。由于语义分割需要像素级别的图像标注,这会为数据集的准备工作带来巨大的工作量,会损耗大量的时间,因此很难对规模巨大的数据集进行人工标注。本文在已有算法的基础上提出了一种基于半监督学习的混合伪标签语义分割算法,使用半监督学习来解决像素级别的图像标注所带来的成本问题,除了有标签数据外,同样使用大量的无标签数据进行训练,挖掘潜藏在无标签数据中的价值。对有标签数据进行监督训练,基于半监督学习中的一致性正则化思想,对无标签数据进行交叉监督训练。本文的主要的工作内容如下:（1）使用了三个结构相同,但初始化不同的Deep Lab V3+网络。除了对有标签数据进行监督训练外,基于半监督学习中一致性正则化和伪标签的思想,分别使用三个网络对同一张无标签图像生成伪标签,并使用每一个网络生成的伪标签对另外两个网络进行交叉监督训练。（2）为了一定程度上解决数据集中类别不平衡的问题,修改原有算法的损失函数,使用Focal loss变体的交叉熵损失函数,着重关注数据集中的困难类别。（3）基于集成学习的思想,扩展了原有算法的测试方式,将单一网络测试修改为多网络测试,综合三个网络的结果给出最终的分割结果。（4）基于一致性正则化的思想,为无标签数据添加扰动。分别使用Cut Mix和Class Mix两种数据增强方法,生成新的混合无标签数据和对应的伪标签进行交叉监督训练。根据上述的修改,使用提出的网络结构分别在PASCAL VOC 2012和Cityscapes两个数据集上进行对比实验和消融实验,在多个有标签数据占整体数据集的比例下取得了一定的效果提升。