Cet article présente SelfMatch, une méthode d'apprentissage semi-supervisé qui combine le pouvoir de l'apprentissage auto-supervisé contrastif et de la régularisation par consistance. SelfMatch se compose de deux étapes : (1) un pré-entraînement auto-supervisé basé sur l'apprentissage contrastif, et (2) un ajustement fin semi-supervisé fondé sur la régularisation par consistance des augmentations. Nous démontrons empiriquement que SelfMatch atteint des résultats de pointe sur des jeux de données standard tels que CIFAR-10 et SVHN. Par exemple, sur CIFAR-10 avec seulement 40 exemples étiquetés par classe, SelfMatch obtient une précision de 93,19 %, surpassant ainsi des méthodes précédentes performantes telles que MixMatch (52,46 %), UDA (70,95 %), ReMixMatch (80,9 %) et FixMatch (86,19 %). Nous notons que SelfMatch parvient à réduire significativement l'écart entre l'apprentissage supervisé (95,87 %) et l'apprentissage semi-supervisé (93,19 %), en utilisant uniquement un petit nombre d'étiquettes par classe.