Universum学习是一种建立在Universum数据上的机器学习模型。Universum数据指的是一种与二分类问题的数据处于同一域,但却不属于其中任何一个类别的数据。Universum数据含有该领域的先验知识,会对学习算法的分类性能起到重要的作用。因此,如何选取合适的Universum数据参与学习是Universum学习中的一个关键点。另外,为了建立较为准确的机器学习模型,传统的机器学习算法都需要使用大量的已标记数据训练学习模型。但是在现实场景中,大部分采集的数据都是未经标注的。目前,多数的Universum学习算法只考虑到已标记数据和Universum数据,忽略了同样含有样本分布信息的未标记数据,而机器学习方法中的半监督学习可以有效利用未标记数据提升机器学习模型的性能表现。针对上述的问题,本文结合半监督学习和Universum学习的思想,同时使用已标记数据、未标记数据以及Universum数据构建学习模型。本文主要的研究工作包括:（1）考虑到现有的Universum学习方法并没有利用未标记数据中隐含的分布知识的问题,本文基于支持向量机提出了一种融合未标记数据的Universum学习算法,并称之为直推式Universum支持向量机算法（Transductive Universum Support Vector Machine,TUSVM）。该算法结合了Universum学习和半监督学习的思想,将未标记数据所蕴含的信息融合到Universum学习中来构建分类模型,从而提高分类性能。（2）考虑到现有的Universum数据选择方法并没有筛选出最负有先验知识的Universum数据参与学习的问题,本文提出一种基于信息熵的Universum数据选择方法（Information Entropy-Based,IEB）以选取最负有信息量的Universum数据参与学习。本文还将IEB方法结合到TUSVM算法的学习过程中,从而提出了结合IEB方法的直推式Universum支持向量机算法（Information Entropy Based-Transductive Universum SVM,IEB-TUSVM）。（3）为验证本文所提出的算法的有效性,本文将TUSVM、IEB-TUSVM算法与现有的半监督学习算法和Universum学习算法进行对比实验,比较这些算法的分类精度。在真实数据集上的实验结果证明,本文所提出的算法拥有更高的分类性能,而且,IEB-TUSVM算法可以在TUSVM的基础上更进一步地提高分类性能。