L’apprentissage semi-supervisé (SSL) a fait l’objet de nombreuses recherches ces dernières années, et constitue une méthode efficace pour exploiter les données non étiquetées afin de réduire la dépendance vis-à-vis des données étiquetées. Dans ce travail, nous adaptons les processus neuronaux (NPs) à la tâche de classification d’images en contexte semi-supervisé, aboutissant à une nouvelle méthode baptisée NP-Match. NP-Match se distingue particulièrement pour cette tâche pour deux raisons. Premièrement, NP-Match compare implicitement les points de données lors de la prédiction, de sorte que la prédiction de chaque point non étiqueté est influencée par les points étiquetés similaires à celui-ci, ce qui améliore la qualité des pseudo-étiquettes. Deuxièmement, NP-Match est capable d’estimer l’incertitude, une mesure pouvant servir à sélectionner les échantillons non étiquetés dont les pseudo-étiquettes sont fiables. Contrairement aux méthodes SSL basées sur l’incertitude implémentées avec le dropout de Monte Carlo (MC), NP-Match estime l’incertitude avec un surcoût computationnel bien moindre, permettant ainsi d’économiser du temps tant pendant l’entraînement que pendant le test. Nous avons mené des expérimentations étendues sur quatre jeux de données publics, où NP-Match dépasse les résultats les plus avancés (SOTA) ou atteint des performances compétitives, démontrant ainsi l’efficacité de NP-Match et son potentiel dans le domaine du SSL.