有监督学习和无监督学习是机器学习领域两种常用的学习算法,然而当训练样本数目有限时,有监督学习很难准确的学习出样本的真实空间分布。无监督学习不需要训练样本,但是对于空间分布较为复杂的数据,无监督学习很难得到好的学习效果。针对此类问题,半监督学习成为机器学习领域近年来广受关注的研究方向。半监督学习结合两种传统学习算法的优势,利用大量未标记样本辅助有限的有标记样本来提高学习准确性。本文以遥感图像的分类和分割为应用背景,在对传统的半监督学习算法和有监督PSO分类方法研究的基础上,提出了一些新的半监督学习算法,并将其用于高光谱遥感图像的分类和SAR图像的分割中。本文的主要工作概括如下：(1)提出了一种基于判别图的半监督学习分类方法,此方法在图的构建过程中引入了判别信息,充分利用有限的有标记样本的信息构建一种判别图,在此判别图的基础上利用传统的基于图的半监督学习框架对数据进行分类,提高了分类的正确率。(2)提出了一种基于l1图的半监督谱聚类方法,并利用Nystrom逼近加快l1-图的构建过程。使用稀疏表示的方法构建的l1-图己被证明在谱聚类算法中有较好的性能,本文在构建的l1-图中通过添加成对约束可以提高谱聚类算法的性能。然而当样本数目较多时,构建l1-图的复杂度较高,将其应用到图像分割问题的时候,会出现计算量大的问题,而Nystrom可以加快算法速度,可将基于l1-图的谱聚类算法成功用于SAR图像分割。(3)提出了一种半监督的粒子群优化(PSO)分类方法。传统的粒子群优化分类方法在训练样本数目有限时,很难找到粒子的最优位置,导致分类准确性不高。半监督粒子群优化分类算法可以充分利用大量未标记样本进行迭代,寻找粒子的最优位置,提高分类的准确率