随着计算机技术的飞速发展,人类收集数据和信息变得越来越方便快捷,随着信息量的日益增大,相对的却是对大规模信息的处理能力无法满足人类日常工作、学习的需要。对于大量数据进行学习的方法,多半还停留在传统的机器学习方法。传统的监督学习因为需要大量的人为干预来保证学习的质量,其繁琐程度与学习速度自然就成为了软肋;非监督学习虽然不需要人为干预,能提高学习的速度,但又因缺乏可信的监督信息而无法保证学习的质量。半监督学习作为一种新的学习方法,因其不仅可利用少数已标记数据,更可以使大多数的未标记数据参与到学习的过程中来的这一重要特点,已成为机器学习中新的研究热点。随着机器学习研究的深入,基于图的半监督学习算法,在复杂性和计算速度,以及精确度上,都有了长足的进步。在目前两类分类已成简单应用,多标签分类任务日益复杂的阶段中,基于图的半监督学习算法因其卓越的性能必将受到更多的关注。本文针对多标签分类问题,以基于图的半监督学习为主要研究内容,重点研究了提高其分类效果的关键技术,并取得以下主要研究成果:1)针对适用于多标签分类的ML-GRF算法,通过采用Spearman相关系数矩阵来构造标签相关性模块,提出一种改进的算法,以减少临时分类标记的不确定性。实验结果表明,该算法对临时分类标记有良好的稳定性,能提高分类的精度。2)针对基于图的半监督学习中,所构造的图在分类任务中的重要性,对其结构进行了优化研究。将图的权值矩阵逐块的进行分析与调整,以得到更好的分类结果,减少未标记数据在半监督学习的过程中所造成的负面影响,从而有效地提高了分类的准确性。