在我国经济体系中,农业占据至关重要的地位,但农作物病害是制约“农业增效、粮食增产、农民增收”的原因之一,现可见的病害种类有1400种以上之多,若病害爆发则会导致社会经济的非健康发展。目前,豆类在农作物中的占比增大,其中豆科作物不仅需要面对环境的考验,还需要面临大量病害类别造成的产量锐减问题,同时,随着病害种类的增多,对于病害类别标注需要耗费大量的人力、物力等资源。目前为止,种植豆科作物的人员主要还是农民,无法精确识别病害种类,因此对病害进行分类研究可以帮助专业性不足人员进行辨别病害类别。面对此类复杂情况,本文采用半监督特征选择方法对豆类数据分析并处理。本文以现实生活中豆类数据集在半监督学习情景下的分类研究为突破口,围绕数据中的高维特征数据的特征选择、半监督学习、豆类病害分类研究等关键问题,研究新型半监督特征选择算法,在此基础上构建出豆类病害分类研究的半监督特征选择框架,并在公共数据集UCI上进行实验。论文的主要研究工作如下:1.针对半监督数据中标记数据过少的情况,本文结合粒计算理论提出了一种新型的半监督特征选择方法,有效的降低了特征维度以及提高了分类性能。目前数据标注的代价过于昂贵,且半监督学习较难处理高维数据任务。针对上述复杂应用的情况,以粒计算方法为基础,提出了基于一致性和知识粒度的半监督特征选择方法。利用正域的依赖度衡量有标记数据的一致性,同时采用知识粒度对未标记数据进行数据粒化去评价特征对样本空间的可区分性。在此基础上,结合数据分布情况提出一种新型半监督学习度量特征重要性的方法。最后,在UCI数据集上,通过实验对比分析表明,Semi-CG（基于一致性和知识粒度的半监督特征选择算法）的平均分类精度较比其他当前四种对比方法高。2.考虑到更好的挖掘未标记数据的特征信息,基于辨识矩阵方法提出一种新型的半监督特征选择框架（GSSF）。在所提出的框架中,根据可辨识矩阵中特征与标记之间相关性获得每个标记类别的不可辨识特征。此外,提出了一种评估指标来评估特征在半监督数据上的可区分性,其中未标记数据上特征的重要度是通过特征和不可辨识特征之间的互信息分析得出。最后,将所提出算法的性能与四种当前的半监督特征选择方法进行了分类性能的比较。实验结果验证了此算法在真实数据中的有效性。3.以本文提出的GSSF方法作为豆类病害分类研究的算法基础。以公共数据集UCI中豆类真实数据集作为样本;使用不同占比的标记数据和相应的无标记数据作为实验的输入;采用GSSF方法对该数据进行分类研究。实验结果标明,该算法较比其他当前四种对比方法在特征选择结果下的分类性能优异。综上所述,为了解决实际中豆类病害的分类研究的问题,结合了半监督学习、粒计算理论及应用分析等研究内容,提出几种新型的半监督特征选择方法。通过实验分析可得出,豆类病害分类研究的分类性能主要取决于分类算法以及特征选择方法,其中,精确的半监督数据信息能够提高识别的准确率以及分类性能,并且有效的特征选择算法可以降低其计算复杂度。