摘要：大规模图像分类中,已标记图像数据的获取难度比较大。为了提高图像分类器在已标记样本较少的情况下的分类率,提出了一种基于协同半监督的深度学习图像分类算法。将已标记的样本作为训练集,分别使用VGGNet、GoogLeNet、ResNet模型训练出三个不同的分类器,依据三者对未标记样本的测试结果给出伪标签,即测试结果中三个分类器判断一致的部分直接赋予该伪标签,对于两个判断一致的,按照置信度排序并抽样赋予两个判断一致的伪标签,依次不断给未标记样本打标签并扩充训练集,得到最终的分类模型。最后选取Caltech-UCSD Birds-200-2011数据集和Caltech 256数据集进行实验,实验结果表明,所提出的算法在已标记样本较少的情况下可以获得高分类率的分类模型。