半监督学习利用大量的未标记样本辅助有限的标记样本来提高学习的精确性。它是在已标记样本提供的监督信息的“引导”下,学习全部样本或只学习未标记样本,这不仅减少了人的工作量及人为标记所带来的误差,而且在一定程度上提高了精确性,因此对它的研究具有重要的理论价值和实际意义。首先,本文提出了一种基于LNP(Linear Neighborhood Propagation)的增量分类算法:Incremental LNP。该算法利用了多类LNP本身所隐含的数据选择准则的优势,以增量学习的方式来实现。实验结果表明,该算法不仅具有良好的收敛性,而且和LNP相比,明显提高了识别率;同时,对新算法所涉及的两个参数进行了研究,证明了当选择合适的参数时,可以在有限的迭代步内得到更高的识别率。其次,将基于LNP的增量学习算法应用到半监督降维中,得到的降维算法也处于迭代过程中,并且可以随时输出任意迭代步的降维结果。在实验中,采用最近邻分类器对得到的低维数据进行分类,实验结果证明了该方法具有很好的收敛性。最后,提出了一种基于可分性准则和LNP的半监督学习模型:先利用可分性准则选取模型参数,然后用LNP对未标记样本进行标记,最后利用LDA进行降维,而降维后的效果,可以使用最近邻分类器来检验。该模型充分利用了LNP和LDA两种算法的优势,不仅解决了LDA所面临的不能解决“单一标记样本”的问题,而且对LNP中的邻域尺度参数的选择提出了三种可分性准则。实验中,通过和一些经典的算法进行比较,验证了所提出的算法的有效性和优越性;同时对基于三种可分性准则的半监督学习算法进行了比较和分析。