Ce travail aborde le problème de l'apprentissage semi-supervisé des classifieurs d'images. Notre principale intuition est que le domaine de l'apprentissage semi-supervisé peut bénéficier du domaine en rapide progression de l'apprentissage auto-supervisé des représentations visuelles. En unifiant ces deux approches, nous proposons le cadre de l'apprentissage semi-supervisé auto-supervisé et l'utilisons pour dériver deux nouvelles méthodes d'apprentissage semi-supervisé de classification d'images. Nous démontrons l'efficacité de ces méthodes en les comparant à des baselines soigneusement ajustées et à des méthodes existantes d'apprentissage semi-supervisé. Nous montrons ensuite que notre approche et les méthodes existantes d'apprentissage semi-supervisé peuvent être entraînées conjointement, aboutissant à un nouveau résultat de pointe sur ILSVRC-2012 avec 10 % des étiquettes.