1.一种基于不确定性选择和对比学习的半监督图像分类方法，其特征在于，包括：通过衡量模型的不确定性选择置信度高的无标注数据以供模型训练；

通过对比学习，拉近正样本距离，推远负样本，获取无标注数据表征；

为每个类别维持一个特征原型，通过计算无标注数据表征和特征原型的距离来分配伪标签；

所述衡量模型的不确定性是通过预测熵来近似量化模型的不确定性；

所述通过预测熵来近似量化模型的不确定性的具体公式如下：其中， 为样本i在第t次计算中的预测概率，γi为估计的分类不确定性，T表示样本在模型中计算的次数；

所述对比学习具体实现如下：

对于给定的无标注数据，通过应用随机增强生成两个图像，随后，通过教师网络获得这一对图像的映射q和k，将分类器预测相同视为正样本，分类器预测不同则为负样本，其计算如下：+ T

其中P(x)表示正样本对，A(x)表示存储队列中的特征表示，k 为正样本，k'为负样本，q为映射q的倒置，σ为超参数，exp表示e为底的指数函数；

还包括将无标注数据表征通过不确定性选择后，更新特征原型，即使用通过不确定性选择的无标注数据表征通过EMA方式来更新特征原型：其中，μc是类别c对应的特征原型， 是通过不确定性选择的类别为c的弱增强样本xw的可靠特征，Normalize表示归一化操作，l表示进行筛选操作，β是决定更新频率的可调超参数，τ为不确定性筛选的阈值，其计算公式如下：其中i是当前训练步长，I为训练总步长；

所述伪标签分配的具体方式为：

通过计算特征原型与预测特征之间的相似度来获取伪标签：其中Softmax为激活函数，特征原型 对应每个类别c∈{1,2,...,C}，在分类器和特征原型的预测中，选择置信度较高的作为最终的伪标签：其中scorecls＝max(pcls),scorepro＝max(ppro)表示置信度得分，pcls,ppro表示预测概率，argmax函数返回数据中最大值的下标，max函数返回数据中的最大值；由此一致性正则化损失的计算如下：其中H表示交叉熵损失，B表示样本批次大小，b表示当前批次。

2.根据权利要求1所述的一种基于不确定性选择和对比学习的半监督图像分类方法，其特征在于，所述为每个类别维持一个特征原型，即为每个类别保留一个具有代表性的特征原型 对应每个类别c∈{1,2,...,C}。

3.一种基于不确定性选择和对比学习的半监督图像分类系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1‑2任一所述的方法步骤。

4.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1‑2任一所述的方法步骤。