我们提出了一种新的训练算法——ScanMix，该方法通过探索语义聚类与半监督学习（SSL），在应对严重标签噪声问题时展现出优于当前最先进（SOTA）方法的鲁棒性，同时在非严重标签噪声场景下也具备具有竞争力的鲁棒性能。ScanMix基于期望最大化（Expectation Maximization, EM）框架：其中E步通过图像的外观特征与分类结果估计隐变量，实现对训练图像的语义聚类；M步则通过语义聚类优化半监督分类，并学习有效的特征表示。我们给出了一个理论结果，证明了ScanMix算法的正确性与收敛性；同时，实验结果表明，ScanMix在CIFAR-10/-100（包含对称、非对称及语义标签噪声）、Red Mini-ImageNet（来自Controlled Noisy Web Labels数据集）、Clothing1M以及WebVision等多个基准数据集上均取得了SOTA性能。在所有存在严重标签噪声的基准测试中，我们的方法性能均达到当前SOTA水平，表现优异。