在现实生活中存在大量廉价易获得的无标记样本,具有指导性作用的有标记样本获取十分昂贵且耗时,为了充分利用有标记样本和无标记样本的信息,半监督学习算法在这种情况下就诞生了,获得了众多学者的高度关注。自训练算法是半监督学习中常用的一种方法,其采用数目较少的带有标记的样本点学习,通过寻找少量有标记样本的高置信度点训练得到高性能分类器。自训练算法中如何确定少量有标记样本的高置信度点是算法的核心,它决定算法是否可以训练得到高性能的分类器。针对该问题,本文引入自然邻居的思想。自然邻居算法可以在没有人为干预的情况下找到数据点的邻居,在给定数据集上,对每一个数据点逐步拓宽邻域检测界限,自动学习邻域特征,进一步获取数据集合的整体分布结构。本文对自训练算法和自然邻居算法展开学习研究,创新点如下:1、在传统的自然邻居算法中,寻找数据集的近邻域非常耗时,需要逐步扩展近邻域,针对此问题,本文提出一种快速搜索自然邻居算法（FSNN）,该算法通过逆向寻找数据集中最孤立的点,反向确定邻域的上限值,减少迭代搜索邻居的次数,达到提高搜索邻居效率的目的。通过与自然邻居算法进行对比,实验结果表明,FSNN算法不仅能有效地搜索邻居,而且能显著提高搜索速度。2、针对自训练算法中寻找高置信度点的问题,本文将快速搜索自然邻居算法与自训练算法结合,提出了基于快速搜索自然邻居的自训练算法（STAFSNN）,该算法首先确定有标记样本的自然邻居作为高置信度点加入训练集合,然后利用分类器对这些点进行标记,同时用更新后的训练集训练得到新的分类器,直到未标记样本标记完为止。在UCI数据集上,本文将提出的算法与其他算法进行对比,实验结果表明,该算法可以准确寻找高置信度点,与其他算法对比具有一定优势。