最近提出的时序集成（Temporal Ensembling）方法在多个半监督学习基准测试中取得了最先进的结果。该方法对每个训练样本的标签预测值维护一个指数移动平均值，并对与该目标不一致的预测进行惩罚。然而，由于目标仅在每个epoch结束时更新一次，因此在处理大规模数据集时，时序集成变得难以管理。为了解决这一问题，我们提出了一种名为均值教师（Mean Teacher）的方法，该方法对模型权重进行平均而不是标签预测值。此外，均值教师提高了测试准确性，并且能够在比时序集成更少的标签下进行训练。在不改变网络架构的情况下，均值教师在使用250个标签的SVHN数据集上实现了4.35%的错误率，优于使用1000个标签训练的时序集成。我们还表明，良好的网络架构对于性能至关重要。通过结合均值教师和残差网络（Residual Networks），我们将CIFAR-10数据集上使用4000个标签的最先进错误率从10.55%降低到6.28%，并在ImageNet 2012数据集上使用10%的标签将错误率从35.24%降低到9.11%。