近年来,图半监督学习由于其较好的分类效果引起了大多数研究人员的广泛关注,它包括构建关联矩阵和预测无标签样本的标签两个步骤,成对样本之间的关联可有效地预测无标签样本的标签。基于此思想,本文提出了两种自学习关联矩阵的半监督分类方法。本硕士论文具体研究内容与贡献归纳如下:（1）提出基于₁范数自学习关联矩阵的半监督分类方法,具体思想为:将样本的稀疏自表示问题和拉普拉斯正则化最小二乘分类器有效地融合在一起,建立了自学的拉普拉斯正则化最小二乘（Self-taught Laplacian Regularized Least Square,ST-LapRLS）模型。在学习的过程中可实现样本关联矩阵和拉普拉斯正则化最小二乘分类器的同时优化及相互改善。我们方法的有效性在真实数据集上得到充分验证。（2）基于前面的工作,提出了基于核范数自学习关联矩阵的半监督分类方法。此方法通过拉普拉斯正则化最小二乘分类器获得的软标签更适用于半监督流形假设。该方法在四个人脸数据集上表现出较好的分类性能。