交互式遗传算法(Interactive Genetic Algorithms, IGA)把人的主观情感需要和遗传算法相结合，主要用于解决无法构建显式函数的隐式目标的优化问题。生活中许多问题比如音乐的创作、图像检索和服装设计等均可以视为隐式目标的优化问题。由于这类问题的优化目标难以进行量化，所以需要交互式遗传算法通过人的主观评价来得到个体适应值，进行进化优化。交互式遗传算法在应用人的主观选择能力这一优势的同时，也需要解决人与机器相比难以克服的局限性，即人自身的认知局限和人易疲劳的特性。这一缺点限制了交互式遗传算法的种群规模和进化代数，影响了算法的优化性能。本文内容主要从以下5个方面展开：(1)介绍了交互式遗传算法的背景知识、基本原理和现有改进方法；(2)概述了支持向量机算法的统计学习理论基础、算法的基本思想和半监督支持向量机基本原理；(3)引用文献中两种数据依赖的半监督核的构造方法，提出应用这两种半监督核构造半监督支持向量机的策略，并通过实验证明了算法的有效性；(4)在前文算法的基础上，构建应用于交互式遗传算法的半监督支持向量机用户评价代理模型，通过实验证明了算法加快用户寻找满意解的过程，提高了优化成功率；(5)将半监督交互式遗传算法应用于敏感信息监控系统中过滤模板的生成。本文在第四章中引入已有研究中反应数据分布结构半监督核的两种构建方法，通过结合半监督核向支持向量机分类器提供未标记数据信息，形成新的半监督支持向量机分类器。并将这两种算法分别命名为结合参数类半监督核的支持向量机算法和结合非参数类半监督核的支持向量机算法，最后通过实验验证了算法的有效性。为减轻用户疲劳，并将交互式遗传算法应用于复杂的优化问题中，本文在第五章提出基于半监督支持向量机的交互式遗传算法。应用半监督支持向量机构造高泛化能力的用户评价代理模型，进而以模型代替用户估计大量未标记个体的适应值，再以自训练方法进行高可信未标记样本的批量选择，最终实现用户评价代理模型的高泛化性能。最后将该方法应用于相关反馈图像检索中，结果表明该方法加快了进化收敛的速度，减轻了用户的评价负担。在本文第六章中，设计和实现了敏感信息监控系统的原型，系统实现了对流经本机信息的自动过滤。该系统应用本文提出的基于半监督支持向量机的交互式遗传算法进行过滤模板的生成，使过滤模板的生成过程可控，并能体现用户的主观需要。