半监督学习已经成为模式识别和机器学习的重要组成部分,被国际机器学习界所广泛关注。近年来随着机器学习在数据挖掘和分析中的广泛应用,半监督学习的一些理论已经成功应用于实际问题的处理。本文对半监督学习进行了研究,主要内容如下:通过扩展核一致性方法,提出了基于核策略的半监督学习算法GCM(Generalized Consistency Method),深入分析了五种不同的度量及它们之间的关系,实验研究了不同度量方法中的参数与算法性能间的关系,并对使用不同度量的GCM算法的性能进行了比较,实验结果表明,使用指数度量的GCM算法的性能最优,而使用欧几里得度量的GCM算法的性能最差,同时,不同度量中的参数取值对算法的性能具有一定的影响;由于CCA是一种线性学习模型,线性变换的本质限制了抽取样本更具鉴别力的非线性的特征,因此,Semi-CCA在处理非线性问题上具有不足之处;在Semi-CCA算法的基础上引入核方法,提出了基于核典型相关分析的半监督学习算法Semi-KCCA(semi-supervised learning based on kernel canonical correlation analysis),使得原空间上非线性问题转化为特征空间上的线性问题,通过实验研究了该算法处理非线性问题的性能;最后,研究了一致性学习算法及其变形,对该算法收敛的重要条件给出了详细证明;除此以外,也研究了该算法几种变形的收敛性,证明了CM算法中使用变形矩阵的合理性。