La evaluación de la calidad estética de la imagen (IAQA) ha despertado un considerable interés en los últimos años y se utiliza ampliamente en diversas aplicaciones, como la recuperación de imágenes, la gestión de álbumes, robots de chat y redes sociales. Sin embargo, los métodos existentes necesitan una cantidad excesiva de datos etiquetados para entrenar el modelo. La recolección de la enorme cantidad de datos de entrenamiento puntuados por humanos no siempre es factible debido a una serie de factores, como el costo del proceso de etiquetado y la dificultad para clasificar correctamente los datos. Los estudios anteriores han evaluado la estética de una foto basándose únicamente en las características de la imagen, pero han ignorado el sesgo del criterio asociado con los temas. En este trabajo, presentamos un nuevo método de evaluación de calidad de imagen semisupervisado consciente del tema para abordar estas dificultades. Específicamente, el método propuesto consta de dos pasos: un paso de aprendizaje de representación y un paso de propagación de etiquetas. En el paso de aprendizaje de representación, proponemos una red de atención robusta consciente del tema (TAAN) para hacer frente al problema de sesgo del criterio del tema. En el paso de propagación de etiquetas, utilizamos TAAN entrenado preliminarmente en el paso uno para extraer características y utilizamos el algoritmo de propagación de etiquetas con confianza acumulativa (LPCC) para asignar pseudoetiquetas a los datos no etiquetados. Esto permite utilizar tanto datos etiquetados como no etiquetados para entrenar el modelo TAAN. Hasta donde sabemos, esta es la primera vez que se ha estudiado un método de aprendizaje semisupervisado para abordar problemas de evaluación estética de imágenes. Evaluamos nuestro enfoque en tres conjuntos de datos de referencia y mostramos que puede lograr casi el mismo rendimiento que un método de aprendizaje totalmente supervisado para un pequeño número de muestras. Además, demostramos que nuestro enfoque semisupervisado es robusto al utilizar diferentes cantidades de datos etiquetados.