伪标签目标检测算法利用大量未标注数据生成伪标签数据增加训练数据规模来提高目标检测模型的性能。针对伪标签数据中存在大量错误标注数据以及伪标签目标检测模型性能难以提升的问题，提出了SoftTeacher-CUC的伪标签目标检测算法。SoftTeacher-CUC算法是在SoftTeacher伪标签目标检测算法的基础上，首先利用分类不确定性方法计算模型生成的伪标签分类结果的不确定性来判断伪标签是否可靠，不确定性越低说明伪标签的分类结果越可靠。然后将计算得到的不确定性作为权重加入伪标签数据的分类损失函数中，进一步减少高不确定性伪标签给模型带来的负面影响。最后根据Teacher模型的不同模块的作用，采用不同权重的指数滑动平均方法更新Teacher模型，降低Teacher模型和Student模型参数之间的相似性使一致性正则化方法发挥作用。在标注数据分别占训练集1%、5%和10%的情况下进行验证实验，SoftTeacher-CUC算法与SoftTeacher算法相比，平均精度均值分别提高了1.4、1.2和1.7个百分点。实验结果表明，在标注数据较少的情况下，SoftTeacher-CUC算法具有更好的检测效果。