随着计算机及其相关领域的持续发展,数据存储、分析的能力得到了巨大的提升,数据挖掘被广泛应用于各个行业。随之而来的,数据挖掘也面临了更多的挑战。由于不同应用场景下的数据集分布不同,一种算法不可能在所有形式的数据集上都适用。这就需要研究者根据数据集的类型提出相适应的理论来进行学习。对于半监督不平衡数据集,由于半监督、不平衡等特点,传统的算法在此数据集上很难有效。这就需要根据数据集的特点对传统算法进行改进,以适用于此类问题。本文对半监督问题、不平衡问题进行了大量的研究,在此基础上,根据数据集的特点,提出了半监督不平衡数据上分类问题的解决方案。本文主要工作如下:首先,介绍了半监督学习技术与不平衡学习技术的发展历程和基本理论。其次,提出了新的方法,在半监督数据集上,使用LDA分类器,通过无标记数据集消除标记数据集上类间的不平衡性。在平衡数据集上,使用BP-Adaboost分类算法对数据集进行分类。最后,针对本文提出的方法,在UCI数据集上对其进行分类效果的比较。试验表明,本文提出的方法相比传统方法,分类效果有显著的提高。