Dans cette étude, nous proposons une approche d'apprentissage semi-supervisé simple mais efficace appelée Alignement de Distribution Augmenté (Augmented Distribution Alignment). Nous mettons en lumière qu'un biais d'échantillonnage essentiel existe dans l'apprentissage semi-supervisé en raison du nombre limité d'échantillons étiquetés, ce qui entraîne souvent un écart considérable entre les distributions empiriques des données étiquetées et non étiquetées. Pour remédier à cela, nous suggérons d'aligner les distributions empiriques des données étiquetées et non étiquetées afin d'atténuer le biais. D'une part, nous adoptons une stratégie d'entraînement antagoniste pour minimiser la distance de distribution entre les données étiquetées et non étiquetées, inspirée par les travaux d'adaptation de domaine. D'autre part, pour traiter le problème de la petite taille des échantillons de données étiquetées, nous proposons également une stratégie d'interpolation simple pour générer des échantillons de formation pseudo-étiquetés. Ces deux stratégies peuvent être facilement intégrées aux réseaux neuronaux profonds existants. Nous démontrons l'efficacité de notre approche proposée sur les jeux de données de référence SVHN et CIFAR10. Notre code est disponible à l'adresse \url{https://github.com/qinenergy/adanet}.