分类问题作为数据挖掘的一个主要研究的领域,在实际工程中的应用越来越多。面对日益增加的分类需求,本文结合同一个数据集的多个分类需求,提出一个优化的联合分类的算法。旨在保证分类性能,即算法的收敛速度足够快,与此同时提升联合分类的效果,达到提高分类效率的目的。本文提出一个名为RWDLP的半监督学习算法,可以同时解决在同一个数据集有多个不同的分类任务的问题。本文在开篇回顾了分类问题目前在国内外的研究现状,介绍了一些常见的分类算法与应用,接着从以下方面展开工作:首先,详细分析与讨论基于马尔可夫链的随机漫步(RW)的过程与应用,和标签传播算法及其改进版的动态标签传播算法(DLP)的思路和过程。通过分析这两种算法的共同点,本文提出一个结合两者特点的RWDLP算法。该算法的主体是基于马尔可夫链的随机漫步,但在漫步的过程中,结合动态标签传播算法的思想,加入了转移概率矩阵的动态更新步骤,及近相似性的思想,使分类过程更有效地利用了类标集的信息,同时也通过重启动技术保证了迭代的收敛速度。接着,本文将RWDLP算法与联合分类的场景结合起来。先构造一个包含实例和多个异构类标集的混合关系图,然后在图中进行基于马尔可夫链的随机漫步。本文提出的算法突出的优点是充分利用每个类标集内部与异构类标集间的信息进行分类,以及联合两个或多个分类任务,在保证迭代收敛速度的前提下,提高了分类的效率。最后,在实际的生物信息学的数据集中,通过与其他经典算法的对比,证明了本文提出算法的有效性。本文提出的优化的联合分类算法,通过实验证明了其有效性与实用性。随着分类应用越来越广泛,面临的问题与需求也越来越多,对算法的通用性与效率的要求也越来越高,本文提出的RWDLP算法正好满足了这些发展要求。