在现实分类场景中,人们经常需要面对较少的已标记数据以及大量无标记数据。因此,半监督学习成为了新的研究热点。其中基于图的方法在分类正确率上具有明显优势,但随着现实生活中数据量的日益膨胀,半监督图方法因为较高的时间复杂度难以处理数据集规模较大的分类场景。因此,如果能在保持半监督图方法分类正确率的同时,有效降低图方法的时间复杂度,可以使其拥有更加广泛的应用空间。为此,本文以经典半监督图方法LGC为基础,做出了如下研究:首先,本文从缩小图的规模入手,提出了结合改进密度峰值聚类的LGC半监督学习优化方法。针对实际应用中数据量较大的问题,在局部使用聚类,以簇为点生成主干图。为了保证生成的主干图上的节点能够表征原始样本的整体特征分布,该方法基于全局遍历的思想,使用改进后的密度峰值聚类方法,从全局数据样本中迭代筛选出大量中心点,并以这些中心点为顶点构造可以表征原始样本特征分布的图结构,降低了图的规模。实验结果证明,该方法能够保证分类正确率并大幅降低时间成本。随后,本文提出了一种LGC概率矩阵检测与修正方法。该方法首先对使用LGC算法迭代收敛之后的概率矩阵进行检测,提出局部可疑密度与最小概率差值两个指标,找出分类错误可疑度高的点;然后通过删除可疑点重构初始化标签矩阵,并通过再次迭代收敛完成修正。实验证明该方法能够有效提升LGC算法的分类正确率。最后,将前面提出的两种方法进行组合并应用于文本情感分类当中,实验结果验证了本文方法在文本情感分类应用中能够获得较好的分类效果,且时间成本相较于原方法显著降低。