声事件检测（Sound Event Detection, SED）作为声学环境分析的核心模块，长期面临数据不足的问题。半监督学习（Semi-Supervised Learning, SSL）的引入在不增加额外标注成本的前提下，显著缓解了这一难题。本文针对SSL中的若干核心模块展开研究，提出了一种随机一致性训练（Random Consistency Training, RCT）策略。首先，提出一种自一致性损失（self-consistency loss），与教师-学生模型框架相结合，以增强训练过程的稳定性；其次，设计了一种硬混合数据增强（hard mixup data augmentation）方法，以有效建模声音信号的叠加特性；第三，引入一种随机增强方案，可灵活组合多种不同类型的数据增强方式。实验结果表明，所提出的RCT策略在性能上优于多种广泛使用的现有方法。