从含噪声数据中学习是一项极具挑战性的任务，会显著降低模型的性能。本文提出了一种新型的双对比学习模型——TCL（Twin Contrastive Learning），用于学习鲁棒的特征表示并有效处理分类任务中的噪声标签。具体而言，我们通过将监督模型的预测结果注入高斯混合模型（GMM），构建了基于表示的GMM，从而将GMM中的无标签隐变量与存在噪声的标签注释建立关联。随后，TCL利用另一个双成分GMM，结合数据分布特性，将标签错误的样本识别为分布外（out-of-distribution）样本。为进一步提升对噪声标签的处理能力，我们提出了一种交叉监督机制，并引入熵正则化损失函数，通过模型预测自举生成真实目标标签。由此，TCL能够通过Mixup与对比学习相结合的方式，学习到与估计标签对齐的判别性表示。在多个标准基准数据集及真实世界数据集上的大量实验结果表明，TCL具有卓越的性能表现。特别是在CIFAR-10数据集上，当标签噪声率达90%（极端噪声场景）时，TCL取得了7.5%的性能提升。项目源代码已开源，地址为：\url{https://github.com/Hzzone/TCL}。