由于半监督学习能充分运用标记样本和未标记样本信息,因此它在很多领域都表现出优越的性能,已成为机器学习领域中的研究热点之一。在众多种半监督学习方法中,基于图的半监督学习方法具有计算速度快和准确率高等优点,已经成为近年来机器学习和模式识别中最为活跃的方向之一。标签传递是一种有效的基于图的半监督分类方法,被广泛应用到图像分类,文本分类等任务中。本文就标签传递算法中存在的不足提出改进方案并利用该模型解决其他机器学习算法的不足,具体工作如下:第一,在标签传递算法中,图的构建在很大程度上影响算法的性能。尽管已有大量的图构建方法被提出,然而现有方法存在图的构建与标签传递过程分离以及图构建中忽略数据的局部和稀疏结构问题。为了解决上述问题,本文提出了一种基于局部和稀疏约束的自适应图标签传递(Locality and Sparsity Constrained Adaptive Graph based Label Propagation,LSCAGLP)算法。在该算法中,本文将图构建与标签传递结合形成统一框架,并且在图构建过程中同时考虑样本的局部性与稀疏性,使得图更具有稀疏性和判别性,从而有利于标签传递。此外,提出一种迭代优化算法求解目标函数。在四个数据集进行大量的实验,实验结果证明LSCAGLP算法优于其它对比方法。第二,岭回归算法能充分运用标记样本的标签信息,但不能利用未标记样本。为了解决上述不足,本文将LSCAGLP算法与岭回归算法结合,形成一种基于自适应图标签传递的半监督岭回归(Semi-Supervised Ridge Regression with Adaptive Graph-Based Label Propagation,SSRR-AGLP)算法。该模型不仅使岭回归能充分运用未标记样本信息,而且解决标签传递存在的“样本外”问题。本文还提出一种迭代优化算法求解该目标函数。大量实验结果证明了该算法的有效性。第三,非负矩阵分解是一种有效的降维技术,但其忽略了样本的标签信息,在一定程度上降低了特征判别能力。为了解决这个问题,本文将LSCAGLP算法引入到非负矩阵分解算法中,提出一种基于自适应图的半监督非负矩阵分解(Adaptive Graph based Semi-Supervised Non-negative Matrix Factorization,AGSSNMF)算法,该算法引入了样本的标签信息,从而增强算法的性能。与上述模型一样,提出一种迭代优化算法求解目标函数,并用大量实验验证算法的优良性。