自动数字显微镜的关键技术之一就是自动对焦，为了提升对焦的速度，越来越多的深度学习方法被引入用于单帧图像的焦点预测。然而几乎所有的网络模型都过分信任其输出的结果，面对未知的样本即使输出错误的结果也不会给出任何警示。利用贝叶斯卷积神经网络的实现，可从单张图像中完成离焦距离的预测，并获得焦点预测结果的不确定性估计，此外提出通过设置不确定度阈值实现对焦点预测结果的筛选。在一个大型开源数据集上进行了测试，利用不确定性估计评估预测结果的有效性。结果表明，对比同类型样本，所提出的网络模型在未知样本上能够输出更高的不确定度，建立的筛选机制能有效减小模型在未知样本上的预测误差。在公共数据集上的两个样品的最终误差范围为 0.37±0.46 μm和 0.83±1.17μm，优于筛选前的 0.40±0.66μm和 1.08±1.78μm。