近几年来,医疗大数据领域发展迅速,医疗数据的积累量迅速增加,这为研究人员做医疗数据分析提供了基础。如何充分利用海量的临床数据挖掘出其中蕴藏的信息,来帮助医生进行医疗诊断成为目前研究的一个热点。传统的分类方法需要大量的有标签数据进行训练,但在很多医学领域中,获取有标签的数据比较困难,而对无标签的数据获取则相对容易。现有的大多数无标签分类方法试图对样本进行各种可能的标签指派,然后在所有结果中寻找一个在所有样本上间隔最大的划分超平面,实质上是考虑了样本所有可能的分类标签组合,选择分类错误率最小的模型作为最终的分类模型,这种穷尽搜索的方法计算量太大且泛化能力较差。尽管对于无标签分类学习的研究已经取得一些进展,但目前仍然存在很多问题需要解决。第一,很多人体生理指标检验的检测值是可观测的,尽管不能将这些辅助信息直接作为判断病人患病的标准,其隐含的信息却跟真实患病状态紧密相关,如何能够有效的利用这些辅助信息是解决无标签分类问题的关键所在。第二,在医疗诊断分类模型中,病人患病的状态往往是多类别的,以往对于无标签多分类的研究较少,如何解决无标签下的多分类问题也是无标签学习目前面临的难题之一。本文主要针对以上两个问题展开讨论并进行深入研究,并提出了一些新的无标签分类模型和求解方法。本文的研究内容主要包含以下几个方面:第一,针对无标签分类学习面临的不能有效利用辅助信息的问题,提出一种无标签下的最大间隔分类模型,该分类模型适应于一般化的分类问题,本文重点考虑了二分类模型中的支持向量机和距离加权判别分类模型。第二,针对多类别的无标签分类学习,考虑基于最大角度间隔的分类模型,借助辅助信息构建无标签下的多分类模型,该分类模型的几何解释效果和理论性质要优于其他模型。第三,针对无标签下的分类模型,本文通过坐标下降算法对二分类问题和多分类问题进行了求解,与此同时,本文通过详细的模拟实验和实际医疗数据分析证明了本文提出的无标签下的分类模型的分类效果良好。