近年来,模式识别作为人工智能中的重要领域得到了广泛的关注。针对现阶段模式识别中的分类任务,研究者需要处理的数据常常具有两个特点:1)数据集中有标签的样本难以收集、数量十分有限,而大量的无标签样本容易获得,2)数据维度很高。因此,高维数据的半监督分类任务有着较大的研究价值。常见的直接使用单一半监督分类器处理高维数据的方法存在两个问题:1)计算复杂度大,2)单个半监督分类器得到的结果常常不够稳定。针对以上问题,一种有效的处理方式是引入集成框架,在集成学习中,学习器之间的多样性是影响集成效果的重要指标,集成成员的互补性比单纯的精度更重要。为了提升集成多样性,目前常见的做法是直接基于单一的数据空间进行样本维或属性维的采样。在原始数据空间进行后续的算法处理使得集成模型相对单一,学习器学习到的内容有限,同时没有和半监督场景进行结合,导致集成效果较差。为解决以上问题,本文对半监督分类集成学习展开深入研究,针对数据空间单一的问题,本文提出了一种基于多变换空间的半监督分类集成方法（Semi-supervised classifier ensemble based on multiple data transformation spaces）,称为SSC-MDTS。首先,SSC-MDTS使用基于半监督学习的多数据变换空间的构建算法（Multiple data transformation spaces construction based on semi-supervised learning,MDTSC）得到一系列变换空间;接着,基于每个变换空间生成一组随机子空间并在每个随机子空间上训练基于图的半监督分类器;最后,整合所有半监督分类器,采用多数投票机制将所有分类器的预测结果进行集成,得到最终的分类结果。SSC-MDTS将半监督学习和集成学习结合到一个统一的框架中,能够有效地处理高维数据,算法通过平衡基分类器的精度和多样性的关系,提升了集成分类器的整体性能,获得更加稳健和准确的学习结果。本文在20个高维数据集上对算法进行了实验验证,对比了领域前沿的算法,并具体分析了算法的有效性及其原因。实验结果证明了算法在处理有标签样本较少的高维数据集时的优越性能。