在传统的机器学习分类方法中，将只通过未标记样本进行分类的方法称为无监督分类，如聚类方法，无监督分类方法所取得的分类精度通常难以达标；将利用有标记样本集训练分类器的方法称为有监督分类（或监督分类）。然而，现实应用中获得有标记样本的成本通常很高，需要花费人力和物力对样本进行标注。半监督学习是指在充分利用有标记样本的基础上，通过预测或传播算法将可信度较高的未标记样本转换为伪标记样本进行分类的方法，达到同时利用标记样本和未标记样本构造分类器的目的。　　由于既可以降低成本又可以得到较高的分类精度，在理论和实践中，半监督学习受到了广泛关注，它对提高学习性能有着重要指导意义。在半监督学习方法中，由于在实践中实证性的成功和较高的计算效率，基于图的半监督学习方法成为了最流行的一种半监督学习方法。我们发现，虽然基于图的半监督学习方法最重要的一个步骤是构造图，但如何去构造一个好图至今没有得到很好的研究。针对这个问题，我们对现有图的构造方法进行仔细研究之后，提出一种基于l1范数和k近邻融合图的半监督分类算法。本文主要研究工作如下：　　（1）针对基于图的半监督学习问题，对图的构造方法进行仔细的研究和分析后，提出一种l1范数和k近邻融合图的构造方法。该方法通过l1范数获得数据的全局性，通过k近邻图保持数据的局部性。如此，不仅获得数据的全局性也能保持数据的局部性，从而使所构造出的图可以更接近数据的真实分布。　　（2）提出了基于l1范数和k近邻融合（LNKNNF）图的半监督分类算法。将高斯随机场和谐波函数（GHF）以及局部一致和全局一致两种传播算法与所构造的融合图相结合，完成分类任务。　　（3）对UCI数据集和USPS手写数据分别进行了实验，将LNKNNF图的分类性能和指数权重图、k近邻图、l1范数图和低秩表示图进行比较，结果表明，　　基于l1范数和k近邻融合图分类正确率均高于其他图，使用不同的传播算法仍然有效。