常规的监督分类算法需要有大量的有标签数据才能构建出很好的分类模型,从而获得比较好的分类效果,但是现实中的情况往往难以满足这个条件,因此能够挖掘未标签数据中所包含的大量信息的半监督分类方法有重大的现实意义。本文对最重要的半监督分类算法之一的联合训练算法进行研究。在联合训练采用的分类器组合结构方面,对传统的两个分类器进行了改进,额外增加了仲裁分类器以弥补前两个分类器的不足,并提出了相应的分类器选择方法。此外,对数据集质量方面也进行了改进,提出了符合分类器结构的新颖训练集处理方法,构造出最.有利于分类的训练集,而因此被删除的点所引起的信息量损失由半监督分类从未标签数据中挖掘进行弥补。在半监督分类的过程中,如果错误标记的点被加入训练集中会影响分类效果,本文采用改进的最近邻规则方法对每一轮新标签进行检查,防止错误标记的数据加入到数据集中,提高了模型的健壮性,保证了选中的未标签数据点的安全性。在保证安全性的同时不可避免的删除部分未标签数据。在一些情况下,未标签数据也是有限的,尝试采用针对不平衡数据的SMOTE算法来补充更多的信息量,弥补为保证数据安全性造成的信息量损失。实验结果表明采用本文的算法比传统的联合训练算法有着更好的分类效果。