El rendimiento de todos los métodos de reconocimiento de emociones en grupo basados en el aprendizaje depende del número de muestras etiquetadas. Aunque hay muchas imágenes de emociones grupales disponibles en Internet, etiquetarlas manualmente es un proceso laborioso y costoso. Por esta razón, los conjuntos de datos para el reconocimiento de emociones en grupo suelen ser pequeños, lo que limita el rendimiento del reconocimiento de emociones en grupo. Considerando que la etiqueta manual es un desafío, el uso de imágenes etiquetadas limitadas y un gran número de imágenes no etiquetadas en el entrenamiento de la red es una forma potencial de mejorar el rendimiento del reconocimiento de emociones en grupo. En este trabajo, proponemos un marco de reconocimiento de emociones en grupo semisupervisado basado en el aprendizaje contrastivo para aprender características eficientes tanto de imágenes etiquetadas como no etiquetadas. En el método propuesto, las imágenes no etiquetadas se utilizan para preentrenar la columna vertebral mediante un método de aprendizaje contrastivo, y las imágenes etiquetadas se utilizan para ajustar finamente la red. Luego, las imágenes no etiquetadas reciben pseudoetiquetas por la red ajustada finamente y se utilizan para un entrenamiento adicional. Con el fin de aliviar la incertidumbre de las pseudoetiquetas dadas, proponemos una Pérdida de Entropía Cruzada Ponderada (WCE-Loss) para suprimir la influencia de las muestras con pseudoetiquetas poco confiables en el proceso de entrenamiento. Los resultados experimentales en tres conjuntos de datos de referencia prominentes para el reconocimiento de emociones en grupo muestran la efectividad del marco propuesto y su superioridad en comparación con otros métodos competitivos de última generación.