本文提出了一种名为SelfMatch的半监督学习方法，该方法结合了对比自监督学习与一致性正则化的优势。SelfMatch包含两个阶段：（1）基于对比学习的自监督预训练；（2）基于数据增强一致性正则化的半监督微调。实验结果表明，SelfMatch在CIFAR-10和SVHN等标准基准数据集上取得了当前最优的性能表现。例如，在仅使用每类40个标注样本的情况下，SelfMatch在CIFAR-10上的准确率达到了93.19%，显著优于此前的多种强基线方法，包括MixMatch（52.46%）、UDA（70.95%）、ReMixMatch（80.9%）和FixMatch（86.19%）。值得注意的是，SelfMatch仅依赖每类少量标注数据，便将半监督学习性能与监督学习（95.87%）之间的差距显著缩小。