半监督学习凭借在模式识别以及人工智能等领域的重要地位,使得其自诞生之日就引起了国际机器学习领域极高的关注,其目的是为了提升监督学习所生成的模型泛化能力以及解决无监督学习模型精度等问题。随着机器学习等科技理论的研究以及模式识别的实践,人们的现实生活当中已涌入大量的半监督学习技术。与此同时基于图的半监督学习作为该领域中的主流方法,凭借着其能够将刻画出的数据图以少量标记数据和大量未标记数据结合的方法进而提高学习性能的优势,因此其逐渐在机器学习领域中占据研究热点。其中,如何用图有效地刻画出样本数据之间的关系,如何选择模型中的参数以及图半监督算法中以损失函数度量的适当选取,对提升分类效果具有重要的指导作用。在分析了基于图的半监督学习的发展现状以及存在的问题的基础上,本文从图的构建和优化学习算法两大方面着手,在基于图的半监督学习的典型分类任务当中进行了系统性的研究,论文的主要工作和创新点如下:提出了以迭代重加权最小二乘方式构建L1图的方法,考虑到在不同数据集上图的构建是保证基于图的半监督学习方法能够快速、准确进行分类的关键前提,本文以传统L,范数思想为指导,结合其稀疏、无参且同时确立连接关系和连接权重的特性,在通过最小化约束条件得到稀疏图的过程中引入迭代重加权最小二乘法。该方法通过对原始L1构图方式的改进,经连续迭代计算更新权重以最大程度的利用每个样本进行稀疏表示,算法降低了所构造图的时间复杂度。在大量数据集及实验当中,本文提出的方法能够快速、精准地构造出对数据拓扑关系具有反映能力的图,同时提升了后续图半监督分类算法的性能,且本方法的准确率及收敛性均优于其他构图方法。提出了一种对局部与全局一致性算法参数自动选择的优化方法,传统局部与全局一致性算法的分类效果极易受到其自身参数的影响,超参数选择的好坏将直接影响分类准确率的高低。为减少在超参数选择上的成本以及提升算法的分类效果,本文在局部与全局一致性算法的基础上引入了黄金分割法,该方法通过连续获取参数取值区间的试探点与其函数值进行比较,使包含极小点的搜索区间经不断压缩以逼近目标函数的极小值点,最终获得所在极小值点的最优参数。与此同时,本文也将群智能算法中的粒子群优化算法引入至局部与全局一致性算法的寻参过程当中,并与黄金分割法在相同分类算法上进行了时间复杂度与分类精度的比较。黄金分割法凭借其本身具有自动寻参的优势,其能够精确高效的在所规定的阈值区间取得使分类精度最佳的参数,同时算法本身避免了传统寻参等诸多方法造成的成本爆炸等问题。实验验证了使用黄金分割法寻参的局部与全局一致性算法在各类数据中的低时间复杂度和分类算法精度的有效性。提出了一种解决多分类问题当中以L1范数为度量的局部与全局一致性方法。传统局部与全局一致性算法中损失函数项以L2范数作为度量标准,在此度量下相应的损失会伴随误差的增加而呈指数倍放大,当数据中含有离群值或噪声时,将导致模型向离群值严重偏移。鉴于近年来对L1范数以及稀疏工作的广泛研究表明,L1范数的损失仅随误差线性增加,并且其误差速率低于以最小二乘作为损失函数的度量标准,故本文引入以L1范数的思想与性质进而取代传统L2范数的度量模式。在对原目标函数进行了系统性的分析和推导后,通过与迭代重加权最小二乘法思想结合,有效地解决了后续推导过程中目标函数不可导的情况,进而定义了一种全新的局部与全局一致性算法（IRLS-LGC）。大量实验验证表明,与原始局部与全局一致性算法相比较,该算法对数据的分类效果有所提高。本文根据上述方法在实际问题中进行了综合研究,将提出的IRLS-L1图,黄金分割参数优化方法以及L1范数为度量的局部与全局一致性算法在人脸识别中进行了实践应用。