随着信息技术的飞速发展，收集大量未标注数据已相当容易。因此，如何利用大量未标注数据来改善学习性能成为当前机器学习研究中备受关注的问题。半监督学习(semi-supervised learning)是利用未标注数据来进行学习的主流技术，对于减少人工标注代价及提高学习性能具有极其重大的实际意义，近年来国内外开展了大量的研究，并取得了很多研究成果。 本文首先对半监督学习的五类方法：生成式模型(generative models)，自训练(self-training)，协同训练(Co-training)，最大化分离(Maximizing Separation)和基于图的方法(gra]ph-based methods)进行了分析。接着围绕着当前半监督学习中最活跃的研究领域，即基于图的半监督学习方法，展开研究，主要着眼于图的构造方法，以提高半监督学习性能为目的。我们发现，虽然图是这些基于图的半监督学习方法的核心部分，所有反映数据真实分布信息的图对半监督学习的效果有着积极的影响，但关于图的构造却没有得到更深更广的研究。针对这个问题，我们经对现有的图的构造方法，特别是基于密度敏感的图构造方法，进行仔细的研究分析后，提出一种改进的密度敏感半监督聚类算法。本文具有创新性的研究工作和成果主要有： 1)针对基于图的半监督学习问题，对图的构造方法进行研究与分析，着眼于基于密度敏感的图构造方法，提出一种改进的密度敏感的距离测度，使之更加能够有效地放大位于不同高密度区域的数据点之间的距离，缩短位于同一高密度区域内的数据点之间的距离，从而保证聚类假设的成立，进而使所构造出来的图更能准确反映数据真实分布信息。 2)提出了改进的密度敏感半监督聚类算法(IDS-SC)。并采用了迭代算法实现方式，从而降低了计算复杂度。 3)将基于图的半监督学习的理论研究成果投入到实际应用中。在这里，我们考虑图像分类和特定图像聚类两个问题，并在Coral图像集上进行仿真实验，以验证这些算法的有效性。另外，针对实际问题的需要，提出一个性能评价标准，使之能够适合这些特定问题的学习任务。实验结果表明，本文所提出的IDS-SC算法在这些问题上取得最优。