自己教師学習におけるコントラスト型バッチアプローチは、コンピュータビジョン分野における表現学習の強力な手法として広く用いられている。下流タスクの性能は、自己教師学習による事前学習段階で得られる視覚特徴の質に比例する。既存のコントラスト型バッチ手法は、ラベルなしデータセットから潜在的な情報を学習する際に、データ拡張に大きく依存している。本研究では、コントラスト型バッチアプローチにデータセット内のクラス内変動（intra-class variation）を導入することで、視覚表現の質をさらに向上させられると主張する。本論文では、画像の拡張と疑似ラベル情報のバランスの取れた組み合わせを用いて、視覚表現を反復的に改善する新たな自己教師学習手法である「イテレーティブ疑似教師付きコントラスト学習（Iterative Pseudo-supervised Contrastive Learning, IPCL）」を提案する。実験結果から、提案手法は従来のバッチコントラスト型自己教師学習手法を上回ることが示された。また、複数のデータセットにおいて視覚表現の質が向上し、下流の非教師付き画像分類タスクにおいてより優れた性能を達成することが確認された。