当矩阵数据的某些元素有缺失或者未知的情况下,在一些假设条件下将矩阵元素补齐的方法就叫做矩阵补全,目前,矩阵补全已经广泛应用于机器学习、工程学习、图像处理等相关领域。通常情况下,矩阵的缺失元素可能是任意值,矩阵补全在理论上是没有唯一解的,然而在某些假设例如低秩情况下,矩阵补全有唯一解。不同于传统的基于低秩的矩阵补全的假设,本文提出一种将基于图模型的半监督学习运用于矩阵补全的方法,而这种基于邻近信息的假设更加合理。存在一种有效的半监督学习方法叫做基于图的半监督学习,它既能利用有标签数据,也能使用无标签数据,算法的核心在于构建一个无项加权图,有标签数据与无标签数据共同构成了图中的节点,节点之间的边为节点间的相似性,最终以标签传播的方式给无标签数据打上标签。本文将基于图模型的半监督算法运用于矩阵填补上,他不仅能够利用两个维度的邻接矩阵,而且具有显式解,不需要过多的迭代次数,在模拟数据以及Jester的实验中验证基于图模型的半监督算法运用于矩阵填补的有效性。