随着深度学习技术的发展，基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式，需要在大量有标注图像数据上训练网络，然而，无标签的数据易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力．为了解决数据标注难以获取的问题，提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先，同时训练一个学生模型和逐渐改进的教师模型，使用教师模型筛选高质量伪标签，将伪标签作为未标注图像的回归目标，指导学生模型训练，挖掘未标注图像的知识信息，为了减小参数传递的不稳定性，每次迭代学生模型使用指数移动平均方法更新教师模型参数；此外，引入不同种类的半监督数据增强方法来增强网络的抗干扰能力；最后，针对无标注数据的学习，新增无监督学习分支，使用密集学习方式对模型预测得到的特征进行处理，通过对教师模型预测的分类特征排序，自动选择高质量特征作为教师模型生成的伪标签，从而避免了繁琐的伪标签后处理，提升网络的精度和训练速度．在MSCOCO数据集上，通过使用半监督学习方法，PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1.6%、2.1%的精度提升．与其他半监督目标检测算法比较，PPYOLOE-SSOD算法的精度达到最优．代码已开源在https://github.com/wjm202/PPYYOLOE-SSOD.