近年来的研究结果表明,对获得的数据样本点进行精确的识别与分类有利于大数据研究工作的开展,但是,在实际的研究工作中,往往获得的数据样本点中只有极少数的已标记样本,所以如何充分利用这极少数的已标记样本点的特征信息进行标签预测就显得尤为重要。基于这一问题,本文提出如下两种基于锚图结构的半监督学习方法:(1)提出了基于锚图结构的双拉普拉斯正则化半监督学习方法,这一方法利用权重矩阵将锚点间的图结构以及样本点间的图结构拟合到同一个图结构中,构造锚图与样本点图的“耦合图”。锚图的构建减少了离群点噪声的影响,而样本图对样本的精细结构进行了详细的描述。该方法不但在标签预测准确性上有明显的提高而且耗时短,在实验部分将会具体说明所提方法的优越性。(2)为了实现未标记样本的标签预测,通过将具有最高预测可靠性的未标记样本更新为标记样本,以此来扩充有标签样本的规模,因此在前期工作的基础上,提出了改进后的基于锚图结构的自学习半监督分类方法,该方法通过挖掘锚点结构和样本点结构对标签预测的有效信息,使得最终获得的标签预测矩阵的准确性得到提升,而且在通用数据集上的实验结果表明,该方法的预测性能要优于其他算法。