半监督学习是机器学习的一个重要分支，在近些年互联网爆炸式发展过程中，出现了大量的数据分类需求，半监督学习可以利用有限的已标记数据和大量的未标记数据来解决数据分类的问题，有效缓解了目前获得大量未标记数据容易而获得大量已标记数据困难的窘困，因此受到了国际机器学习领域的高度关注。作为半监督学习一种主流方法，基于图的半监督学习成为新的研究热点。本文着重研究基于图的半监督中的标签传播算法，分析并优化了标签传播算法。为了使聚集成簇的数据间标签传播较快，并避免把处于决策边界附近的同类已标记样本分割到不同的类中，我们提出了基于聚类分析的图构造预处理方法，通过增加属于同一聚类数据点之间边的权重，提高分布密集数据之间的关联，减小它们在标签传播中被划分为不同类的概率。同时，针对标签传播扩散速度较慢和距离已标记数据较远处数据点分类模糊性较大的问题，提出基于自训练框架的学习方式，在标签传播过程中把未标记数据中置信度较高的那部分数据加入到已标记数据集中，增加标签传播的数据源，提高分类准确率。本文在UCI数据集上进行了实验研究，实验验证了所提算法的有效性和优越性。实验结果表明，基于聚类分析的标签传播在一般情况下优于经典标签传播方法，当已标记数据接近分类边界时优越性尤为明显。自训练标签传播方法与经典标签传播方法比较，速度和准确率都有提高。