支持向量机（Support Vector Machine,SVM）是一种建立在统计学习理论基础上的机器学习方法，最初是由Vapnik等人研究小样本问题时提出的。随着统计学习理论的发展，SVM在理论和应用方面都得到了迅速地发展。特别是将核函数引入到SVM的学习过程中，提高了算法对高维数据的处理能力，在文本分类、医疗诊断、图像检测及数字验证等领域得到很好的推广。标准SVM是基于监督学习的分类方法，需要手工对大量样本标记以获取足够的训练样本。但在实际工程应用中，这一过程不仅效率不高，并且代价较为昂贵。因此，半监督学习思想被引入到SVM的训练学习过程中，典型的包括：Bennett等人将SVM规范化的表现形式中引入聚类假设的思想，提出的S3VM学习机；Joachims基于直推式学习提出的TSVM算法等。本文对TSVM算法做了详细的研究，对于TSVM算法中N p较难估计的问题，提出基于无标签样本的成对标注法和标签动态调整PTSVM算法。针对训练样本集中的有标签样本数不平衡的问题，采取对不同的无标签样本设置不同的惩罚参数的策略，提出了TSVM的模糊渐进式算法和Semi-TSVM算法等。虽然以上几种改进算法提高了TSVM分类的准确度，但是也增加了算法的训练时间。针对这一情形，本文采用SLS-TSVM模型避免了每次迭代求解QP问题，提高了训练的速度，同时在每次迭代中采用区域标注法来实现无标签样本的标注，也加快了对无标签样本的标注效率。通过仿真实验可以发现，SLS-TSVM算法在保持PTSVM算法精度的同时，也有效提高了训练的效率。直推式学习SVM的研究是支持向量机发展的一个方向，虽然目前TSVM算法的研究已获得一些进展，但其理论研究仍不够完善。本文根据直推式支持向量机的学习算法做了一些理论研究，如何更好挖掘的无标签样本信息提高分类器的性能是TSVM算法下一步研究的关键。