半监督学习作为一种有效范式，能够利用未标记数据减少对标注数据的依赖。本文提出了一种名为CoMatch的新方法，该方法统一了主流的半监督学习技术，并克服了其固有局限。CoMatch联合学习训练数据的两种表示：类别概率与低维嵌入表示。这两种表示相互作用，协同演化：嵌入表示通过施加平滑性约束来优化类别概率，从而提升伪标签的质量；而伪标签则通过基于图的对比学习，对嵌入结构进行正则化。在多个数据集上，CoMatch均取得了当前最优的性能表现。在标签稀缺的CIFAR-10和STL-10数据集上，其准确率获得了显著提升。在ImageNet数据集上，仅使用1%的标签时，CoMatch达到了66.0%的Top-1准确率，相比FixMatch提升了12.6%。此外，CoMatch在下游任务中的表示学习性能也优于监督学习与自监督学习方法。代码与预训练模型已开源，详见：https://github.com/salesforce/CoMatch。