随着互联网、物联网、大数据等技术的发展,每天都会有海量的数据生成。如何有效的利用这些海量数据中的信息,是目前所面临的科学问题之一。其中最主要的问题集中在,无标签数据容易获得,但是标注难道较大。为解决此问题,半监督学习受到了广泛的关注与应用。由于基于图的半监督学习（Graph-based semi-supervised learning,G-SSL）相比于其它的半监督学习框架拥有良好的数学基础,以及代价函数通常是凸函数等优势,成为了半监督学习研究的热点方向。本文通过对基于图的半监督学习研究发现,目前基于图的半监督学习框架可以进一步细分为:（1）基于显式凸函数G-SSL框架;（2）基于图卷积神经网络G-SSL框架。并基于上述两种G-SSL框架,分别展开了相关研究。基于显式凸函数G-SSL框架方面,本文提出了基于非负稀疏图的自适应多视图半监督极限学习机（Adaptive Multi-view Non-Negative Graph Semi-supervised ELM,AMNNSG-ELM）。此半监督学习 方法继承了基于多视图的半监督学习框架与非负稀疏图（Non-Negative Sparse Graph for Liner Regression,NNSG）半监督学习框架的优点,引入了半监督极限学习机（Semi-supervised Extreme Learning Machine,SS-ELM）。解决了目前基于显式凸函数G-SSL框架只可以用于单视图数据或多视图数据,可导出非线性模型的基于显式凸函数G-SSL框架无法进行标签扩散的问题。此外,证明了 NNSG半监督学习框架是AMNNSG-ELM半监督学习框架的特殊情况。为验证AMNNSG-ELM半监督学习框架的有效性,本文在4个公开数据集上与6个传统的半监督学习框架进行了实验,实验结果表明AMNNSG-ELM半监督学习框架可以适应多视图数据和单视图数据的输入,并且相比于传统的基于显式凸函数G-SSL框架提高了标签扩散与预测模型上的准确率。基于图卷积神经网络G-SSL框架方面,本文提出了自适应参数的基于图学习与流形正则化的图卷积极限学习机（Adaptive Parameter Graph Learning Convolution Neural Network with Manifold Regularization Semi-supervised Learning ELM Framework,AP-GLCNMR-ELM）。此半监督学习框架继承了图学习卷积神经网络（Graph Learning Convolution Network,GLCN）、基于流形正则化的图卷积神经网络（Graph Convolution Network with manifold regularization,GCNMR）、NNSG半监督学习框架的优势,引入SS-ELM半监督学习算法。提出了评价-行动-反馈（Judge-Action-Feedback,JAF）自适应网络结构算法。并将JAF算法与图卷积神经网络的学习过程相结合。解决了 GCN半监督学习框架对新样本数据缺乏适应能力、传统方法没有同时解决训练不受限和图结构适应能力不足、网络结构调整人力成本较高等问题。为验证AP-GLCNMR-ELM半监督学习框架的有效性,本文在6个公开数据集上与6个半监督学习框架进行了对比实验,实验结果表明AP-GLCNMR-ELM半监督学习框架可以提高标签扩散和分类模型的性能。