Die Anwendung von Großfeldkameras mit Fischaugenobjektiven bietet erhebliche Vorteile für verschiedene Anwendungen im Bereich des Computer Vision in der Praxis, darunter das autonome Fahren. Während tiefe Lernverfahren bei herkömmlichen Computer-Vision-Anwendungen mit regulären perspektivischen Bildern bereits erfolgreich eingesetzt wurden, bleibt ihr Potenzial im Kontext von Fischaugenbildern weitgehend unerforscht, da entsprechende Datensätze für vollständig überwachtes Lernen begrenzt sind. Semi-supervised Learning stellt hier eine vielversprechende Lösung dar. In dieser Studie untersuchen und benchmarken wir zwei etablierte semi-supervised Ansätze aus dem Bereich der perspektivischen Bilder für die Segmentierung von Fischaugenbildern. Darüber hinaus stellen wir FishSegSSL vor, einen neuartigen Rahmen für die Segmentierung von Fischaugenbildern mit drei semi-supervised Komponenten: Pseudolabel-Filterung, dynamischer Konfidenzschwellenwert und robuste starke Augmentierung. Die Evaluation am WoodScape-Datensatz, der aus Fahrzeugmontierten Fischaugenkameras stammt, zeigt, dass unsere vorgeschlagene Methode die Leistung des Modells im Vergleich zu vollständig überwachten Methoden – bei gleichem Umfang an gelabelten Daten – um bis zu 10,49 % steigert. Zudem verbessert unsere Methode bestehende Bildsegmentierungsansätze um 2,34 %. Sofern wir uns richtig informiert haben, handelt es sich hierbei um die erste Arbeit zur semi-supervised semantischen Segmentierung von Fischaugenbildern. Zusätzlich führen wir eine umfassende Ablationsstudie und Sensitivitätsanalyse durch, um die Wirksamkeit jeder vorgeschlagenen Methode in dieser Forschung zu untermauern.