基于核的学习算法是一种新兴的重要的分类技术，近年来己被广泛研究，并且成功应用于模式识别.图像处理等等相关领域。传统的核方法通常仅使用标准的核函数,如线性核和RBF核，因此它们的分类性能是有限的。另一方面，传统算法通常使用监督学习的方式，在训练过程中仅仅使用已标记数据。一个好的分类模型不仅要使用己标记样本，还要有效利用无标记样本。　　 为了解决传统算法所存在的不足之处，本文提出了一种新的半监督核谱学习算法(Spectral Kernel Learning based on Maximizing Margin, MSKL)。算法同时利用标记数据和无标记数据来学习新的核矩阵，并且采用一种更有效的泛化性能的度量标准，能有效改善算法的分类性能。　　 本文的工作主要包含以下两个方面：　　 一是提出一种新的核谱学习算法。本文算法通过最优化泛化性能度量标准来修改核矩阵的谱值。算法采用最大化两类数据的间隔的方式来学习新的核矩阵。比较传统的度量标准，如目标核适合度(Kernel Target Alignment)，分类间隔被认为是一种更合适的度量标准。此外，本文算法是基于标准核函数来学习新的核矩阵，而不是图核。最后算法可以被转换成一个非线性的最优化问题。使用梯度下降算法和拉格朗日支撑向量机能够有效地求解这个最优化问题。　　 二是在五个公共数据集上进行实验来评估本文提出的核谱学习算法的分类性能。实验将本文提出的算法与基于标准核函数的传统分类算法以及基于目标核的核谱学习算法进行比较。实验结果表明本文算法比其他两种传统算法更加有效。