大量研究表明，判别分析可以有效地提高数据的分类性能。然而，当有标签数据较少时，判别分析算法的性能退化明显甚至失效。因此，如何有效的利用无标签数据提高判别分析算法的性能已成为机器学习、模式识别、图像检索等领域的研究热点。论文利用图论描述数据的内在几何结构，深入研究了基于Graph的半监督判别特征提取算法，论文主要的工作和成果有：1.半监督判别分析（Semi-supervised Discriminant Analysis，SDA）在描述数据局部几何结构时，仅刻画了数据的相似性几何属性，忽略了多样性几何属性，导致分类效果不够好。针对SDA的不足，提出了融合局部相似性和多样性属性的鲁棒半监督判别分析算法（Stable Semi-supervisedDiscriminant Analysis，SSDL）。SSDL算法通过最大化类间离散度和最小化类内离散度保持数据的全局判别信息，与此同时，构建局部相似邻接图和多样性邻接图刻画数据的内在几何结构，它有效地保持了数据的相似性和多样性几何属性。在多个数据库上的实验结果证明了SSDL算法的有效性。2.鲁棒局部判别嵌入（Stable Local Discriminant Embedding，SLDE）通过引入类内局部多样性信息取得了不错的分类识别性能。但是，当有标签样本比较少时，算法性能退化很明显，甚至失效。对此，提出了增强的半监督局部判别嵌入算法（Enhanced Semi-supervised Local DiscriminantEmbedding，ESLDE）。ESLDE利用邻接图描述数据的内在几何结构，刻画了数据的相似性和多样性几何属性，然后将其嵌入到SLDE目标函数中，建立了半监督特征提取准则。在多个人脸数据库上的对比实验证明了ESLDE算法的有效性。