统计学习理论是由万普尼克(Vapnik)于上世纪60年代为解决小样本条件下机器学习问题而建立的理论体系，为研究有限样本情况下机器学习的理论和方法提供了理论框架。该理论中发展出支持向量机(SVMs)这一通用学习机器，主要解决模式识别和回归等问题，该理论和方法近年来被智能学习和决策等领域重视和应用。支持向量机兼顾了经验风险和结构风险最小化，避免了维数灾难，能够解决高维复杂小样本的机器学习问题。　　损失敏感学习主要用于当两类或多类分类错误风险不同时，人们希望通过控制风险小的错误，尽可能使高风险的损失最小，这一问题就是损失敏感学习所要研究的内容。基于统计学习理论的损失敏感学习更适合用于高风险、小样本问题的预测与评价中。在这些高风险重大问题中一个主要的特点就是可用的样本数有限，往往样本数远远小于空间维数，而基于统计学习理论的学习方法具有针对小样本的特点，因此研究基于统计学习理论的损失敏感支持向量机算法具有很强的实际意义。当已有分类的样本很少，大多数的样本是未知分类的数据时，要求进一步考虑半监督的学习问题。本论文研究基于半监督的损失敏感学习问题，构造基于半监督的损失敏感支持向量机算法，并提出了两种求解该问题的可行方案。　　第一种方案将原问题进行松弛，最终转化为半定规划问题，借助半定规划方法进行求解。第二种方案采取组合优化方法，用分支定界法将半监督问题转化为全监督问题进行求解。最后，本文采用基于组合优化的分支定界法进行编程实验，验证了本文提出算法的优越性。