随着计算机技术的飞速发展和电子数码产品广泛应用,我们能较容易的获取大量的多媒体图片或视频,处理这些大量的数据成为机器学习领域具有挑战性的研究问题,特别是在现实应用中,大多数都是未标记且多特征描述的数据。协同训练算法是半监督学习中的重要算法,它能够很好的解决上述问题。该算法采用迭代的方式结合多视角信息,具体地,从不同视角数据上训练出两个分类器,两者之间互换未知信息并更新分类器,以提高识别精确度。协同训练算法得到了广泛的关注,目前协同训练及其相关改进算法已应用于自然语言处理、模式识别等领域。本文主要做了几个工作:1.提出了Hessian正则化的协同训练算法。针对标准协同训练算法初始分类器性能较低,容易引入噪声的问题,本文将Hessian正则化引入到协同训练中,在初始标记样本数较少时,Hessian正则能够利用大量未标记的样本信息探索数据边缘分布的内在几何特性,并应用于场景识别中,获得了较好的识别效果。2.提出了协同训练算法统一框架。目前协同训练相关改进算法及应用已有很多,提出统一的框架对于深入、系统的理解协同训练思想有重要意义。本文汇总了协同训练的相关改进算法,将其分为三类:多视角协同训练、多分类器协同训练、多流形正则协同训练,并应用于动作识别中,获得了较好识别效果。3.提出协同密度峰值谱聚类算法模型,将协同训练思想引入到无监督学习的聚类问题中,建立多视角的聚类算法,并应用于动作识别、图像识别中,提高聚类精确度。