在监督学习取得成功之后，半监督学习（Semi-Supervised Learning, SSL）正变得日益流行。SSL是一类方法的统称，除了使用标注的训练数据外，还利用大量未标注数据来拟合模型。近年来大多数成功的SSL方法均基于伪标签（pseudo-labeling）策略：将模型预测置信度较高的结果作为训练标签。尽管这些方法在多个基准数据集上取得了令人瞩目的性能，但该方法的一个缺点是并非所有未标注数据都能在训练过程中被充分利用。为此，我们提出了一种新的SSL算法——DoubleMatch，该方法将伪标签技术与自监督损失（self-supervised loss）相结合，使模型能够在训练过程中有效利用全部未标注数据。实验结果表明，该方法在多个基准数据集上达到了当前最优的分类准确率，同时相比现有SSL方法显著缩短了训练时间。相关代码已开源，地址为：https://github.com/walline/doublematch。