在机器学习和数据挖掘领域,半监督学习越来越受到科研人员的关注,逐步成为当前的研究热点。半监督学习中,半监督分类利用大量非标签数据辅助少部分标签数据进行监督学习,从而提高分类的性能。基于图的半监督分类是现在研究较多的方法,该类方法具有较好的分类性能。然而基于图的方法计算复杂度比较高,当图规模比较大时,需要的时间和存储代价都非常大,而且基于图的方法都是直推式的,对新数据无法进行分类,这在一定程度上限制了基于图的方法使用。本文主要针对基于图的半监督分类存在的这些问题,进行了分析与研究。本文主要针对基于局部和全局一致性算法进行研究,该算法的基本思想是基于已标记样本和未标记样本建立一个图,用边的权重来表示样本之间的相似度,然后让每个样本的标记信息迭代地向其邻近样本传播,直到达到全局稳定状态,该方法直观、灵活,但是计算复杂度大,且无法对新数据进行分类。本文针对该算法存在的不足之处进行了改进,应用于图像分类中,并和其他方法进行了比较与分析。本文的研究工作主要包括以下几方面：(1)介绍了图像分类的相关理论,半监督学习的基本理论,当前国内外研究现状,且对半监督学习中基于图的方法所涉及的理论基础、研究现状以及该方法中所存在的问题和难点进行了综述,对半监督学习的主要应用进行了阐述,并且重点介绍了基于局部和全局一致性算法。(2)针对图像提出了一种基于图的半监督分类方法,该方法对图的相似矩阵的度量方法进行了改进,使用更能准确地反映样本间拓扑结构的测地距离对相似矩阵进行度量,并且运用了复合核的策略,结合了图像的谱信息和空间信息,进而使算法的分类性能有所提高。实验结果表明,采用该算法较之于原算法,获得了更好的分类性能。(3)为解决基于图的半监督分类算法的计算复杂度比较高和对新数据无法分类的问题。本文提出了一种将K均值算法和基于图的方法相结合的分类算法,利用已标记样本的标签信息,通过K均值方法获取更多的已标记信息,减少基于图方法迭代过程的迭代次数,从而降低了图方法的计算复杂度；算法最终确定的类中心解决了基于图的分类算法无法对新数据进行分类的问题,增强了其对新数据分类的扩展性；通过设置参数取值的实验结果分析,找出了参数的最佳取值范围。实验结果表明,提出的算法在计算效率和分类正确率方面有明显的提高。