在如今科技飞速发展的时代,无论是科学研究还是社会生活领域,都收集和积累了大量的数据。对这些数据进行有效地分析和利用,不仅是计算机科学发展的目标,同时也能在很大程度上推动医学、地质学、气象学等传统学科和信息生物学、组合化学等新兴交叉学科的发展。在实际应用中,人工对数据进行标记常常是比较费时和昂贵的,并且在很多领域中,标记数据的获得都需要有经验的专业人员。半监督学习在具有较少标记样本的条件下,通过融合几乎无代价的未标记样本能够获得令人满意的学习效果和泛化能力。半监督学习在视频跟踪、网页分类、医学图像分析、智能交通、生物信息学等领域都有着广泛的应用。本文对相似性度量、协同训练和基于群论的机器学习等方面进行深入讨论,并应用到图像分类和检索领域,主要完成了以下工作:(1)分析了半监督学习的研究现状,对各种算法之间的联系和区别进行了比较。(2)提出了一种嵌入知识的相似性度量算法,使图的构造能够融入样本的空间结构信息,并能够通过已标记样本对空间中相邻的样本施加影响。使基于图的半监督学习算法在维数高、样本量少的情况下也能够取得较好的分类效果。(3)对协同训练进行了理论分析,实现了基于图的协同训练算法,并结合相关反馈方法应用到了图像检索的实例当中。(4)针对“人类感知主观性”等问题,给出了一种基于图像不变特征和扩大检索结果相异性的半监督检索方法。