在很多现实问题中,数据很容易获得,但数据的标记获取需要花费高昂的人力物力资源。半监督学习是机器学习领域的一个重要研究方向,旨在对数据很多,标记很少的应用场景提供解决方案,目前已经取得了很多的进展。然而,目前半监督学习技术在现实问题的实施过程中仍有些不足。首先,半监督学习技术在实施过程中会出现性能严重下降的情况,也就是,利用了更多的未标记数据有时反而会恶化学习性能;其次,半监督学习技术在实施过程中会出现消耗大量资源的情况,也就是,半监督学习的模型选择及其参数很难自动化地确定,需要耗费大量的人力物力资源。围绕以上两个方面的问题,本硕士论文展开探索,并取得以下进展:一、在缓解半监督学习技术实施过程中出现性能严重下降的情况方面,本文提出基于样本选择的安全图半监督学习方法,旨在降低利用更多的未标记数据后性能反而恶化的风险。该方法的基本思想是给定大量未标记的样本,仅仅选择有助于提升模型预测性能的可靠未标记样本,而不使用不可靠的未标记样本。实验结果表明,该方法通过选择利用可靠的未标记样本,有效避免传统图半监督学习方法会导致性能恶化的现象。本论文还进一步将样本选择的方法拓展到归纳的图半监督学习方法中,并有效的对未见样本做出预测,从而避免了传统方法出现性能下降的风险。二、在缓解半监督学习技术实施过程中出现消耗大最资源的情况方面,本文提出半监督学习自动模型选择方法。该方法的基本思想是利用经验数据集的模型选择信息帮助目标数据集选择半监督学习算法,并使用大间隔方法为选出的半监督学习算法挑选最优参数,最终通过模型评估选择最优模型。实验结果表明,该方法能够有效地选择最优学习模型及其参数,模型预测性能相比监督学习算法得到有效提升。同时在少量标记数据情况下,该方法得到的模型预测性能会比已有自动化机器学习系统Auto-sklearn得到的模型预测性能好。