通过数学推理揭示了半监督学习中类分布不匹配导致的错误，提出了一种稳健的半监督学习框架WAD，通过权重选择性地将对目标任务有益的知识转移到目标分类器，通过探索点互信息捕捉自适应权重和高质量伪标签，最大限度地发挥无标签数据的作用并过滤未知类别。实验证明WAD在类分布不匹配下具有群体风险的紧密上界。在基准数据集和人工交叉数据集上优于其他半监督学习方法和标准基准线。