半监督学习是机器学习中重要的研究方向。众所周知,大量标记样本能够有助于提高学习器性能,但是收集大量标记样本是耗时耗力的,半监督学习能够将少量的有标记样本与大量的无标记样本混合在一起进行训练,因此受到了越来越多的关注。但是在现有大多数半监督学习方法中普遍存在这样一种情况,即当最初的假设模型与数据分布不匹配时,加入未标记数据进行学习反而会降低学习器的性能,我们将这种情况称之为模型误定。本论文将针对这个问题展开研究,主要研究工作如下:引入了权重系数弱化未标记数据的影响。模型假设与数据分布不匹配时,对未标记样本的预测结果是可信度不高的,加入这些样本相当于加入噪声数据,因此会降低学习器的性能。针对这个问题,本论文引入了一个权重系数来降低未标记数据对模型的影响。当模型误定的情况发生时,带权重系数的模型与不带权重系数的模型之间会有较大的差异。提出了一种模型误定的解决方法。本文提出的引入权重系数仅能部分降低未标记数据的影响,但并不能从根本上解决这个问题,因此本文提出一种判断并修正模型的方法。对于每次的生成模型,都需要判断是否与数据分布相匹配,若不匹配则需对模型进行修正,直到得到一个与数据分布相匹配的生成模型。模型判断是通过比较带权重系数的模型与不带权重系数的模型之间的差异,修正模型则是调整核聚类时的聚类个数。提出了一种基于核聚类的半监督学习方法。将核方法的思想引入聚类过程中,把样本从输入空间映射到核空间,在核空间中对未标记样本聚类,大量的未标记样本用来探明空间中数据分布密集的区域。根据半监督学习中聚类假设的思想,被聚在一个簇中的样本有较大概率属于同一个类别,将核聚类后得到的各聚类中心作为生成模型,得到的生成模型再经过模型判断后决定是否作为最终的生成模型。在数据集PASCAL VOC07和MIR Flickr上的实验结果表明,论文提出的基于核聚类的半监督学习方法具有较好的实验结果。