En este documento, estudiamos el problema de segmentación semántica semi-supervisada a través de muestras etiquetadas limitadas y un gran número de muestras no etiquetadas. Proponemos un enfoque semi-supervisado de autoaprendizaje para la segmentación semántica de imágenes de teledetección de alta resolución. Nuestro enfoque utiliza dos redes (UNet y DeepLabV3) para predecir las etiquetas de la misma muestra no etiquetada, y las muestras de pseudoetiquetas con alta consistencia de predicción se agregan a las muestras de entrenamiento para mejorar la precisión de la segmentación semántica bajo la condición de muestras etiquetadas limitadas. Nuestro método amplía las muestras de datos de entrenamiento utilizando muestras de datos no etiquetados con pseudoetiquetas. Para verificar la efectividad del método propuesto, se realizaron algunos experimentos en el conjunto de datos de etiquetado semántico 2D ISPRS Vaihingen mejorado utilizando el método que propusimos. Nos enfocamos en la extracción de información de bosques y vegetación y en el impacto de un gran número de muestras no etiquetadas en la precisión de la segmentación semántica, combinamos agua, superficie, edificios, autos y fondo en una categoría y la nombramos otros, y llamamos al conjunto de datos modificado el conjunto de datos ISPRS Vaihingen mejorado. Los resultados experimentales muestran que el método propuesto puede mejorar efectivamente la precisión de la segmentación semántica de imágenes de teledetección de alta resolución con muestras limitadas en comparación con el aprendizaje semi-supervisado profundo común.