传统的分类问题通过对大量有标记的训练样本进行学习，从而建立用于预测无类别标签的样本的模型。但在许多实际的分类问题中，如图像分析、网页分类、疾病检测、信用评级等，所得到的带类别标签的样本数量往往较少，而获取类别标签的成本很高；但是不带类别标签的数据样本往往很多，获取这些样本的代价也相对较小。近年来，如何利用大量无类别标签样本来改善分类器性能的半监督学习算法得到了广泛的关注和研究。 另一方面，传统的分类算法通常生成单一的分类器。但是由于现实数据分布的复杂性，单一分类器往往在精度和泛化能力表现的不好。组合分类算法组合多个单一分类器的结果形成最终的预测，为许多分类问题提供了更准确、更具泛化能力的方法。 但是，组合分类算法的研究一直关注于全类别标签的分类问题，对于半监督学习问题，常见的组合分类算法在精度和稳定性方面受到挑战。为此，结合国内外使用组合分类方法解决半监督学习问题的研究成果，本文提出了一种基于空间分布的结构发现的协同组合分类算法。实验证明该算法具有较好的精度和鲁棒性，在具有较少有类别标签样本的任务中依然保持较高的准确度和稳定性。