标签传播作为一种基于图的半监督分类方法,由于其算法效率高和性能优越,近年来受到了研究者们的广泛关注,但现有方法仍存在以下不足。首先,模型使用的度量标准对噪声或异类数据较为敏感,容易降低标签预测能力;其次,通常将基于图的权重构造过程与标签预测过程分为独立步骤,因此无法保证独立构建的权重对于后续的分类过程是最优的,且性能容易受到近邻数或核宽度的影响;第三,构造权重和标签传播过程通常基于原始的高维数据,但原始数据中通常包含冗余信息和噪声等不利因素,易导致预测结果不够准确。针对以上现存问题,本文主要提出三种创新性的解决策略,并通过真实图像数据集验证了新算法的有效性。本文工作主要包括:(1)为了确保模型中的重构误差度量更加可靠和鲁棒,提出两种基于鲁棒和可靠度量的标签传播方法:1)基于核范数可靠度量的直推式标签传播算法。为了更准确可靠地度量近邻重构误差,使用可靠的的核范数度量重构误差和表征流形平滑程度;2)基于L2,1范数正则化的鲁棒直推式标签传播算法。鉴于L2,1范数对噪音和异类数据较为鲁棒,对近邻重构误差和标签拟合项进行L2,1范数正则化,可同时确保输出结果(即预测标签)满足稀疏和判别特性。(2)为了克服权重构造与标签预测过程独立学习所导致的相似性度量不够准确、以及近邻数等超参数选择难等问题,提出基于L2,1范数正则化稀疏编码的自适应近邻传播算法。新模型将稀疏编码和近邻信息传播过程无缝地集成到一个统一的框架,通过联合最小化稀疏重构误差和分类误差,可确保得到的权重系数对于数据表示和分类都是最优的。此外,基于自适应的权重系数学习策略,可有效避免权重构造过程中的邻域大小或核宽度选择难的棘手问题。(3)为了克服原始数据中包含的噪音或异类数据对标签预测结果的负面影响,同时解决邻域大小等超参数选择难问题,提出基于特征学习与判别聚类的自适应直推式分类算法,将无监督特征学习、判别聚类和自适应分类无缝地集成到一个统一的框架中,对原始数据的低维流形特征和判别子空间的聚类结果进行学习,有效去除原始数据中包含的冗余特征、噪音等干扰性因素,提升高维数据表示和分类能力。此外,提出一种基于投影映射的诱导式方法用于样本外新数据的分类。(4)应用研究:本文还将基于提出的标签传播新算法,设计完成交互式的图像分割平台,可通过界面操作完成数据标注,训练数据提取和交互式图像分割。一方面验证了本文提出方法的可行性,另一方面也可以为图像分割提供新技术。