在现实世界中,存在相当一部分数据集由大量的无标记样本和少量的有标记样本组成,由此产生了半监督学习。半监督学习通过少量的有标记样本和大量的无标记样本来进行模式识别工作,在减少人工标注成本的同时较准确的进行分类工作。此外,半监督学习的另一大优点是其能够解决监督学习模型泛化能力不强和无监督学习模型不精确等问题。协同训练是一个简单有效的半监督学习框架,在多个视图上训练多个分类器,通过多个视图互补的作用,迭代的标记无标记样本。作为半监督学习的一种,协同训练因其具备的多视图和协同性得到了许多研究者的青睐。然而,半监督协同训练方法中还存在许多问题,例如:采用何种策略选择无标记样本加入迭代过程中以保证最终得到高性能的分类器;样本集中存在高模糊度的无标记样本,如何找到这类样本并正确标记以避免其被误分类带来的错误累积问题;协同训练在两个视图上训练得到两个分类器,如何解决同一样本两个分类器标记不一致的问题。本文针对半监督协同训练中存在的此类问题进行研究,研究工作主要包括以下内容:(1)针对协同训练方法在迭代时选择加入的无标记样本所隐含的有用信息不够和协同训练方法多个分类器标记不一致带来错误标记无标记样本的问题,提出了一种结合半监督聚类和加权KNN(k-Nearest Neighbor,KNN)的协同训练方法。该方法在每次迭代的过程中,先对训练集进行半监督聚类,选择隶属度高的无标记样本给朴素贝叶斯分类,再用加权KNN对多个分类器分类不一致的无标记样本重新分类。在UCI数据集上的对比实验验证了该算法的有效性。(2)针对协同训练方法对模糊度高的样本容易标记错误导致分类器精度降低和协同训练在迭代时选择加入的无标记样本隐含有用信息不够的问题,提出了一种结合主动学习和密度峰值聚类的协同训练方法。该方法在每次迭代之前,先选择模糊度高的无标记样本主动标记后加入有标记样本集,然后利用密度峰值聚类对无标记样本聚类得到每个无标记样本的密度和相对距离。迭代时选择具有较高密度和相对距离较远的无标记样本交由朴素贝叶斯分类,反复上述过程直到满足终止条件。在UCI上的对比实验证实了提出算法的有效性。(3)针对在协同训练中,采用高置信度策略选择无标记样本并不总是有效的问题,提出了一种基于信息熵和多准则的协同训练方法。该方法在每次迭代之前,先用信息熵的方式进行视图分割,然后在两个视图中,对视图1和视图2分别采用聚类准则和置信度准则选择无标记样本。此外,为了保证选择的无标记样本更具价值,在多准则中充分考虑有标记样本的作用。在UCI的9个数据集上的实验表明了本文算法的有效性。