随机森林作为一种常见的数据挖掘方法，已被证实是一种state-of-art的学习器，其不仅具有很高的分类回归性能，而且运算快速高效，并且随机森林能有效处理多分类问题，在应对噪声干扰上也具有明显的优势。　　但是传统的随机森林模型在树的数量和树的选择中没有深入的研究。另外随机森林在半监督问题上的研究也较少，目前尚无良好的半监督随机森林模型，限制了随机森林的应用范围。本文针对这两个问题，展开了随机森林模型改进的研究。　　本文利用随机森林的间隔，设计了一种基于Margin最优化的随机森林修剪模型，定义了每棵树的四种形式的margin评价方式，计算每棵树的margin评价值，采用递归消除的方式，对森林进行修剪，并通过观察OOB准确率来决定修剪的停止。在10组数据集上进行对比试验，显示修剪的模型比随机森林模型具有更优的分类性能，并且相比于其他修剪方式，本文的修剪方式具有明显的优势。另外通过研究修剪过程中margin的变化，对模型的有效性进行解释。　　针对半监督随机森林，本文结合了已有的随机森林半监督模型和协同训练模型，建立基于协同训练的随机森林模型，不仅简化了原有半监督随机森林优化中退火过程的步骤，而且通过协同训练，改进了模型学习的方式，很大程度提高了模型的分类性能。另外本文还将随机森林的袋外数据作为半监督模型学习的评价方式，提出了基于OOB准确率变动的停止准则。16个数据集上的对比试验显示，基于协同训练的随机森林模型比传统的半监督随机森林具有更高的分类准确率，是一个优秀的半监督学习模型。