半监督学习旨在利用大量未标记数据来提高学习算法的性能,是机器学习领域一类基础的研究问题。经过近20年的研究,半监督学习在比较简单的环境下已得到比较好的性能。然而近年来,机器学习在现实应用中不断面临复杂的环境,半监督学习也不例外,需要面对复杂环境给出相应的解决方案。针对复杂环境这个大趋势,本论文从两个方面对复杂环境下的半监督学习开展研究。第一,现实任务的学习对象通常跟多个类别有关,比如一幅图像可以跟多个类别相关。此时,类别标记的缺失情况要比简单环境下的两类半监督学习要复杂很多。为此,本论文首先对半监督弱标记学习问题进行处理。在半监督弱标记学习问题中,数据的标记可能是全部缺失也可以是部分缺失。本文提出半监督弱标记学习算法SSWL,同时利用数据相似性和标记相似性来补充缺失的标记,并通过多个模型的集成来提高学习效果的鲁棒性。学习问题被建模为双凸优化(Bi-Convex)形式,并给出高效块交替优化算法。大量实验结果验证了算法的有效性。第二,现实任务通常面临在线动态场景,例如自适应推荐任务,推荐算法需要动态变化,并与此同时推荐数据的标记常有缺失。为此,本论文进一步对动态在线半监督学习算法的理论基础进行研究。本文展示了一种针对动态环境的在线半监督学习新策略。该策略通过一个平滑假设下的新损失函数,有效利用有用的历史经验信息。本文基于迭代最小二乘算法给出动态在线半监督学习的悔界,即泛化性能在动态环境下的刻画指标,并给出充分条件来判断选择合适的未标记数据。据本文所知,这是首次初步给出未标记数据在动态在线环境下的悔界影响。