随着互联网、信息技术及存储技术的快速发展,数据量呈指数增长,获取大量有标记数据样本十分困难,而获取大量未标记数据样本相对容易。半监督学习和迁移学习都能够利用少量已标记数据和大量未标记数据进行训练学习,不需要大量的人力物力去获取有标签的数据,节省了时间和成本。然而,半监督学习在使用未标记数据时可能导致学习性能下降,而迁移学习领域自适应方法在维度约简过程中忽略了标签的依赖关系,也可能导致分类准确率降低。本文针对这些问题进行了改进,主要工作如下:(1)为了减小Tri-training算法在学习过程中产生的标记噪声对学习性能的影响,本文分别提出了一种基于交叉熵的Tri-training算法、一种安全的Tri-training学习算法、一个基于交叉熵的安全Tri-training学习框架。在提出的方法中,用交叉熵代替错误率来更好的反映模型预估结果和真实分布之间的差距,并结合凸优化方法降低了标记噪声,提高了伪标签的质量和模型的泛化性能。在UCI基准数据集验证了所提方法的有效性,并利用显著性检验从统计学的角度进一步验证了方法的性能。实验结果表明,所提出的半监督学习方法在分类性能方面优于传统的Tri-training算法,其中基于交叉熵的安全Tritraining算法拥有更高的分类精度和泛化能力。(2)现有的领域自适应方法在维度约简过程中没有考虑到标签与特征之间的依赖关系,维度约简后也未考虑如何保留数据局部性。针对此问题,本文提出了一种半监督均衡分布自适应方法。提出的方法首先利用最大均值差异来近似源域和目标域的边缘分布距离和条件分布距离,其次利用Hilbert-Schmidt独立性准则测量源域中标签与特征的依赖关系,然后利用流形正则化器的局部保持性保留数据的局部信息,最后将来自不同分布的源域和目标域数据维度约简后得到的数据集用在Tri-training上,解决了用Tritraining算法直接处理非独立同分布数据集的不足。实验结果表明,所提方法具有良好的分类准确率,且在一定的参数选择范围内可以保持稳定性。