当今社会中,有标记样本的获取难度大及成本高等问题导致大量未标记样本的存在,对未标记样本的合理利用一直是人们关注的问题之一。传统的半监督学习方法大多数都是建立在随机缺失的假设下。然而,在现实生活中的很多样本数据并不能满足这一假设。在这种情况下,如果我们再利用传统的半监督学习方法来构建模型,很难利用模型做出正确的预测。为了弥补传统半监督学习方法的弊端,本文提出了一种新的基于支持向量机和Group Lasso惩罚项的半监督分类方法,记为GPSSVM。当样本数据不满足随机缺失的假设时,本文提出的方法依然具有良好的适用性。本文将提出的新的半监督学习方法用于信用卡风险违约预测中去,并将其与监督的带Group Lasso的支持向量机的结果进行比较。本文首先梳理和归纳了传统的半监督学习方法,分析了现有的每种半监督学习方法适用的场合,并针对传统半监督学习方法的不足,放松了半监督学习随机缺失的假设,在带Group lasso惩罚项的支持向量机的基础上对未标记样本的系数添加惩罚,提出了一种新的半监督分类方法—GPSSVM,该方法能同时利用未标记样本和有标记样本,并利用Group lasso惩罚项实现变量选择。本文详细介绍推导了该方法的理论基础和算法实现,并在多种情形下进行了模拟计算,从模型的预测能力和变量选择能力与监督的带Group lasso的支持向量机模型和传统的半监督支持向量机进行比较。结果表明,当存在少量的有标记样本和大量的未标记样本且样本数据不满足随机缺失的假设时,本文提出的GPSSVM方法的效果较好。在模拟分析后,本文将新提出的GPSSVM方法应用到信用卡风险违约预测中。结果表明,无论有标记样本和未标记样本的分布是否相同,本文提出的GP SSVM方法要显著的优于监督的Group lasso支持向量机模型。