半监督学习是同时利用标记和未标记数据进行学习的一种机器学习方法,其希望挖掘未标记样本的信息提升学习性能。但在某些场景中,由于未标记样本的引入,半监督学习的性能甚至不如相应监督学习的性能,因此如何安全挖掘未标记样本的信息,成为了一个研究热点。文章在总结现有安全半监督学习基础上,结合正则化最小二乘算法（RLS）和拉普拉斯正则化最小二乘算法（Lap RLS）,采用对偶学习机制和风险度自适应估计策略,提出了两种安全半监督学习算法。文章具体研究内容如下:（1）提出了一种基于对偶学习的安全半监督学习算法（DALLAS）。该算法采用RLS和协同表示分类算法（CRC）分别作为原模型和对偶模型,来预测和重构未标记样本,根据重构误差计算风险度,构建基于风险度的安全半监督学习算法。对于每个未标记样本,若重构误差大,则其风险度大且其预测应该接近监督学习预测。否则,未标记样本的风险度小。最后,在医疗疾病和数字识别等标准数据集上的实验表明,DALLAS能较好地降低未标记样本的风险程度,特别是在标记样本较少的情况下,从而降低了半监督学习错误分类的风险,提升了算法的安全性。（2）提出了一种基于l₁范数的安全半监督学习算法。目前的安全半监督学习方法只考虑了未标记样本的风险性,忽略了标记样本的风险性;除此之外,现有的风险度依靠人为设计评判函数,缺少自适应估计机制。该方法通过基于l₁范数的损失函数,建立了安全半监督学习的优化问题,能够同时降低标记和未标记样本的风险。此外,针对优化问题提出了一种有效的迭代优化策略,可以自适应估计样本的风险度。通过在图像数据集等标准数据集上的实验,该算法达到了安全半监督学习的目的,并在Digit1数据集上取得了87.8%准确率,验证了算法的有效性。