图数据是一种由顶点和边构成的抽象的数据结构。随着信息科学技术时代的发展,研究人员发现图数据有强大的表示能力,可以对许多不同的领域里拥有复杂结构的数据进行建模,例如,生物信息学中的DNA、蛋白质,化学信息学中的化合物,计算机科学中的社交网络、知识图谱。如何对图数据进行分类成为研究的热点。在部分实际应用中,我们只能标记一部分图数据为正类,其他实例都未能作标记,这被叫做正类和无标记的（PU）图数据分类问题。然而,目前图数据分类方法大多是基于训练样本中含有正例和负例进行分类器的学习,不适用于PU图数据分类问题。此外,现有的图数据分类方法多数是基于图数据的单个视角特征进行模型的学习,模型分类准确度和泛化能力稍显不足。针对PU场景下需要怎么样的图数据分类器,如何提高对于图数据分类问题的准确度,对于训练样本里只有PU图数据的状况下如何提高模型性能等问题,本文提出一种基于多视角学习的PU图数据分类的新方法（MVPUG）。与一般的分类方法不同,本方法可以通过计算图数据的分数,以获得图数据预测准确度的排序,可以协助研究者在PU图数据的分类场景下,优先处理预测准确度高的数据。本文的工作和贡献的概括如下:（1）提出一种新的用于PU图数据分类的模型。该分类器模型引入了一个新约束从而令模型可以在图数据的不同视角中尽可能得到一致的分类结果,以满足多视角学习中的原则。另外模型还结合成分敏感的策略,引入一个新的约束令模型对两个相似的图数据尽可能得到一致的分类结果,从而利用无标签的图数据之间的相似性提高分类性能。（2）提出一种该模型的分类框架。该分类框架首先根据训练样本的标签构造新的图数据集合,并采用不同的图数据特征提取方法生成图数据的多个视角,最后通过交叉验证学习模型的评分函数并寻找最优的分类器。在预测阶段,分类框架首先构建图数据的多个视角,然后用分类器模型计算待分类图数据的得分,最后根据得分对图数据进行分类。（3）为了验证提出的方法和模型的性能,本文做了充分的实验,使用了多个不同类型的真实图数据集来进行实验,并与现有的分类方法进行比较。实验结果表明,对于PU图数据分类问题,本文提出的模型和方法有更好的表现。