半监督集成学习(semi-supervised Ensemble)是利用半监督和集成学习来提升模型性能的一种方法。半监督学习改善了集成学习中样本量存在不足的问题,在基分类器的训练过程中提升了集成学习多样性;集成学习又提升了半监督学习的收敛速率,降低使用无标签样本的风险。UDEED(Exploiting Unlabeled Data to Enhance Ensemble Diversity)算法是一种半监督集成算法,它在最大化准确率的同时,引入无标签样本以增强集成学习器间的多样性。它以线性Logistic函数为基分类器,以梯度下降法求解模型参数达到最小化目标函数的目的。本文针对UDEED算法采用线性Logistic函数适应性不足的问题,提出了一种基于多项式核函数的非线性Logistic模型,改进了核函数的参数估计方法,通过实证方式验证了该方法的有效性和可行性。在此基础上将多项式核函数的非线性Logistic模型引入到半监督集成学习方法UDEED算法中,得到了在该模型下的参数估计方法,建立了基于经验误差和多样性度量的目标损失函数最小化模型,得到了非线性Logistic模型下目标函数的梯度公式。另外,受UDEED算法的启发,提出了改进的Adaboost算法,将无标签样本的余弦相似度引入集成学习弱分类器选择规则中,在同时考虑经验误差和分类器多样性基础上,构造基分类器选择公式。为验证UDEED原理对Boosting算法的普遍有效性,将无标签样本的余弦相似度也引入到LogitBoost算法中,以准确率和ROC曲线作为指标,实证了改进LogitBoost算法的优越性。