扩散模型因其在捕捉复杂、多模态数据分布方面的卓越性能，已彻底革新了生成式机器学习领域。半监督学习是一种利用大量未标记数据提取信息的技术，其前提是在少量标注数据的基础上进行学习。尽管此前已有多种生成式方法被应用于半监督学习任务，但将扩散模型引入此类场景的研究仍较为有限。本文中，我们将最先进的生成式扩散模型适配至半监督图像分类问题。为此，我们提出了一种名为 Diff-SySC 的新型半监督伪标签框架，该框架利用扩散模型学习刻画标签生成过程的条件概率分布。实验评估结果表明，Diff-SySC 在多个图像分类基准测试中展现出优异的鲁棒性，在 CIFAR-10 和 STL-10 数据集上均优于现有方法，同时在 CIFAR-100 上也取得了具有竞争力的性能表现。总体而言，我们的方法在 90.74% 的实验场景中超越了现有相关工作。