在标注正确且数量充足的有标注样本数据集上,有监督分类模型往往可以取得较好的分类效果。但是,实际应用中有标注样本是有限的,采集训练样本是十分繁琐的,并且标注样本工作即费时又费力,代价昂贵。那么在有标注样本匮乏的情况下,如何利用有限的有标注样本和大量的未标注样本,训练泛化能力更强的模型是当下至关重要的问题。因此,本文利用大量廉价的未标注样本和先前已有的少量有标注样本,结合教师-学生模型和半监督学习,基于一致性训练框架,开展面向文本分类的半监督深度学习方法研究,鉴于以上问题,本文开展相关研究,主要研究内容如下:（1）在wordMixup方法的基础上,提出了对未标注样本增强的u-wordMixup方法,并结合一致性训练框架和Mean Teacher模型,提出了一种基于u-wordMixup的半监督深度学习模型（Semi-supervised Deep learning model based on unwordMixup,SD-uwM）。①u-wordMixup数据增强方法对未标注样本进行增强,构造一致性假设,以降低无监督一致性损失为目标,来约束增强后的未标注训练样本的质量,能够减少模型的过度拟合;②结合有监督交叉熵损失和无监督一致性损失,构造了一种新的目标损失函数,并利用MeanTeacher方法进行半监督深度学习的一致性训练,提高模型的泛化能力。在AGNews、THUCNews和20Newsgroups数据集上,选用TextCNN或LSTM,SD-uwM模型与经典模型相比,不仅分类精度可以提高6.5%～14%,而且时间性能也有明显的提高。（2）基于集成学习和教师-学生模型框架,利用有标注样本和未标注样本,结合一致性训练框架,提出了一种融合多教师网络的半监督深度学习模型（Semi-supervised deep learning model based on Multi-Teacher networks,Semi-MT）。①该模型利用有标注样本训练学生网络参数,同时利用未标注样本通过融合多教师网络生成综合伪标签,反向传播指导学生网络训练学习,提高学生模型的性能和稳定性;②通过网络结构不同的教师模型指导训练学生网络参数,达到学生模型集成多个教师模型的优点的目的,提高学生模型的泛化能力,从而提高半监督模型的性能。在AGNews、THUCNews和 20 Newsgroups 数据集上,将 Semi-MT 模型与 SemiBoost、Ranking Distillation、Mean Teacher模型做了对比实验,可以看出Semi-MT模型的分类精度可以提高1%～9.9%,同时时间性能也有显著的提高。