半监督学习是机器学习中一个重要的研究领域。半监督学习通过使用少量标记数据并辅助以大量未标记数据进行学习,在尽可能减少人工标注代价的前提下尝试提高学习器的性能。基于图的半监督学习算法由于其直观、可解释性好且分类性能较强等优点一直颇受研究者们的青睐。这类方法先通过数据间的关联构建一个数据关系图,然后在此基础上使用标签传播算法来得到未标记数据的标记。本文在非负稀疏表示的基础上,分别针对单视图数据(仅有一个特征集合)和多视图数据(包含多个特征集合)提出了各自的图构建算法。本文主要的研究工作与贡献可以总结如下：(1)在单视图情况下,通过对非负稀疏表示优化问题的等价转化,提出了基于非负稀疏表示的图构建算法SBM-graph。在三个真实的图像数据集上的实验结果表明了该算法能够更好的描述数据样本中潜在的结构信息。(2)在多视图情况下,提出了多视图的非负稀疏图构建算法MVNSR-graph,算法的主要思想是通过学习一个多视图联合的表示矩阵来尽可能的利用到多个视图所包含的数据结构信息。在一个人工多视图数据集和三个真实的多视图图像数据集上的实验结果表明,本文提出的算法能够较好的利用到多个视图的数据信息。