半监督目标检测（Semi-Supervised Object Detection, SSOD）旨在通过利用额外的未标注数据来提升检测性能。教师-学生框架在SSOD中展现出良好前景：教师网络为未标注数据生成伪标签，以辅助学生网络的训练。由于伪标签存在噪声，对伪标签进行有效过滤对于充分发挥该框架的潜力至关重要。与现有方法相比，本文提出一种针对教师-学生框架中分类头与回归头的两阶段伪标签过滤策略。针对分类头，我们提出基于实例级对比学习（Object-wise Contrastive Learning, OCL）的方法，通过利用未标注数据增强分类表示学习，从而提升伪标签过滤的准确性。OCL通过拉近同一类别内对象的特征表示、推远不同类别间对象的特征表示，增强分类得分的判别能力。针对回归头，我们进一步提出回归不确定性引导的伪标签生成方法（Regression-Uncertainty-guided Pseudo-Labeling, RUPL），用于建模目标定位的随机不确定性（aleatoric uncertainty），以实现更可靠的标签过滤。通过联合优化分类头与回归头的伪标签过滤，学生网络能够从教师网络获得更精准的指导，从而显著提升目标检测性能。在Pascal VOC和MS-COCO数据集上的实验结果表明，所提方法在性能上优于现有主流方法，展现出良好的竞争力与有效性。