随着机器学习领域的发展,半监督学习和多任务学习引起了越来越多研究学者的关注。半监督学习和多任务学习的共同目的就是:不论额外的信息源是来自无标签的样本数据还是来自相关任务之间的共享信息,都可以被应用于监督学习,提高监督学习方法的性能。但是目前大多数的多任务学习方法都属于监督学习,在学习过程中需要大量有类别标签的样本数据;而半监督学习方法大多是针对单任务学习问题,忽略了相关任务(子问题)之间的关联信息。那么将多任务学习方法和半监督学习方法相结合,不仅能够充分学习有标签和无标签样本数据,而且能够学习混合样本数据之间的共享信息,帮助模型进一步提高泛化性能。在多任务学习体系中,最关键的问题就是如何挖掘相关任务之间的共享信息,总的来说,多任务学习的共享信息表示分为两种:基于参数的共享和基于约束的共享。论文对基于以上两种共享信息表示方法的算法进行了分析,因为大多数算法都是解决监督学习问题,所以本文结合半监督学习方法,在有标签的样本数据量较少的条件下,设计并验证了两种半监督多任务学习方法。首先,本文提出了基于参数共享的半监督多任务学习方法,该方法将基于l2范数正则化的最小二乘支持向量机与多任务学习相结合,假设每个相关任务的分类超平面函数由公共函数l0和私有函数l1组成,使得模型能够更好学习相关任务之间共享参数的信息。为了进一步学习无标签的样本数据,利用区域标注法和标签重置法来更新无标签的样本数据的类别标签。然后,在以改进多任务最小二乘支持向量机作为分类器来挖掘相关任务之间的参数共享信息的基础上,提出了基于约束共享的半监督多任务特征选择方法,该方法利用l2,1范数正则化项,充分利用相关任务的有标签和无标签的样本数据,学习每个任务的稀疏特征选择矩阵,同时通过给特征选择矩阵添加全局约束来挖掘所有任务的共享结构。最后我们分别在Dermatology数据集、Automobile和Vehicle Silhouettes数据集上验证了论文提出的两种半监督多任务学习方法的可行性和有效性。