标签传播是一种基于图的半监督分类算法,具有效率高和比传统分类方法性能更好等优点,在机器学习领域吸引了广泛关注。但是现有的标签传播算法仍然具有如下不足:1)分类过程对数据中的噪音和异类数据比较敏感,即鲁棒性不够强,容易导致标签预测能力降低;2)传统方法一般将传播过程分为两个步骤:权重构造和标签传播,因而学习到的权重对于后续的标签预测并不是最优的,且近邻图的构造易受到近邻数或核宽度的影响;3)现存的大部分标签传播算法专注于处理单视图样本,没有考虑多视图数据,可能会导致标签预测结果不准确;4)现有方法大多基于原始输入空间和原始的软标签空间进行分类,然而原始数据和软标签通常包含大量的噪音和混合信号,会导致分类结果不够准确。鉴于此,本文提出了有效的解决方案和策略,并通过多种仿真实验验证了新算法的有效性。主要工作包括:(1)为了提升标签预测过程的鲁棒性和分类准确性、解决因原始数据和原始预测软标签中的噪音或异类数据对权重构造和分类结果的不利影响,同时解决由于权重构造与标签预测过程分开处理所导致的分类结果不够准确的问题,提出了一种基于双重矩阵分解的鲁棒自适应标签传播算法,可同时避免近邻数对权重系数的影响。新模型通过在干净的数据空间和干净的标签空间中进行权重构造和标签预测,有效提升了模型的预测能力。具体地,在学习过程中将原始数据和预测软标签进一步分解为干净的数据和软标签,可消除二者中的噪声和混合信号,进而基于干净的数据空间进行权重学习,最后利用干净的软标签矩阵估计出样本的硬标签完成分类。(2)为了进一步提高分类精度,在双重矩阵分解的基础上进一步将权重矩阵分解为干净的权重系数和噪音部分,去除权重矩阵中的噪声和原始数据空间中输入的错误标签信息,提出了基于三重矩阵复原的自动加权标签传播算法。通过三重矩阵复原机制,将原始数据、预测软标签和权重矩阵分解为干净的部分和噪声部分,协同复原得到干净的数据空间、软标签空间和权重空间。此外,基于最小化基于干净数据和干净软标签上的重构误差进行自适应的权重学习,以确保学习得到的权重对于数据的表示和数据分类都能取得最好的效果。(3)真实应用中的样本可能在各个子空间中具有多视图的表示形式,如果只考虑单视图信息易导致标签预测不准确的问题。因而如何充分挖掘多视图数据中的有价值信息进而增强样本标签预测能力是一个值得探讨的问题。为了解决这个问题,本文提出了一种基于多视图学习的自适应标签传播算法,将多视图标签传播和自适应多视图权重学习集成到一个统一的模型,利用样本的多个视图而非单个视图进行半监督学习,通过线性变换约束不同的权重对应不同的视图空间,基于多个视图空间确定样本的类别。此外,基于多个视图进行了自适应权重学习,也可避免因人工设置近邻数的难题。