现实中存在着大量的未标记数据,而对大量的无标记数据进行标记往往需要耗费大量的人力和物力,半监督学习(Semi-Supervised Learning,SSL)则是用少量标记数据进行预训练,大量未标记数据用于辅助训练的学习系统。如何提高半监督学习的精度,近十年来无数学者对此进行了研究,目前的大多数方法都是对无标记样本进行不同方式的处理,通过增加约束来提高学习效果。现实中的真实数据,训练数据可能是一个一个逐个到达或者一块一块逐块到达的,对于这样的数据,本文加入了在线序列极限学习机,使得在每轮迭代的过程中,不需要对所有样本进行重新训练,只需要利用新样本对网络进行微调,这就减少了样本的训练时间。而且现实中的真实数据大多数都是复杂数据,很多数据的分布都不符合高斯分布,有可能是非球形分布,或者是双峰型分布等,传统的一些分类算法和聚类算法对其很难起到很好的效果。因此,本文提出了一种基于密度的半监督在线序列极限学习机(D-SOS-ELM)。提出的方法可以实现逐个或者逐块的未标记数据的在线学习。此外,使用局部密度和相对距离还可以有效地反应样本之间的关系。与传统的基于距离衡量样本之间置信度的方法相比,提出的该策略提高了处理复杂数据的能力。本文的工作主要分两个部分:1.提出一个利用局部密度和相对距离的策略,用于衡量样本之间的相似性,选出高信度的样本进行在线学习,这样可以有效提高学习的准确性和学习的速度。通过不断的选择出的高置信度的未标记样本,所提出的方法实现了对未标记样本的高效学习。通过实验对比证明提出的方法可以很好的继承Clustering by fast search and find of density peaks(CFSFDP)算法对分布不规则数据有较好的判别的能力。2.对几个标准基准数据集进行多组实验对比,证实所提出的D-SOS-ELM模型具有较高的准确性,并优于现有的先进的方法。对MNIST数据集进行进一步实验,也得到了较好的学习结果。