网络数据的半监督分类模型与算法是大规模数据分析的核心问题之一，在社交网络（Social Network）、引文网络、web数据网络的研究中有重要的理论意义和应用价值。目前，无向网络的半监督分类问题有比较多的研究，但对于有向网络，由于模型和算法的构建存在较本质的困难，因此相应的研究尚较少。 当数据量较大时，有标识（或称有标签）的数据只能是其中比较少的一部分，因此半监督方法是必然的选择。本文以杂志的引用网络为典型问题，借鉴分子动力学方法的思想，提出了动态半监督算法。杂志按其引用关系，自然可视为一个加权的有向网络（或有向图），部分类别明确的杂志被视为有标签的节点。将部分有标签的节点作为种子分布在模拟空间内，杂志间的相互引用自然定义出节点间的作用力，节点在力的作用下产生运动，靠近与其性质相近的种子节点。最终理想状况是非种子点在与其性质相近的种子节点附近达到稳态或动态稳态。 种子节点的选择是半监督分类成败的关键。本文提出层级动态半监督分类算法，通过更新种子节点不断迭代改进。而种子节点的优化要求解一个非凸二次约束的二次规划问题。对此本文提出一个新的判断KKT点全局最优性的条件，并对满足该条件的子类问题给出预处理的局部搜索策略，数值计算结果表明了算法的有效性。 为了将分类结果更好的表达出来，我们对分类结果进行可视化展示。由于杂志数据分类结果重合度高，仅靠分类结果的数据做可视化展示效果不清晰。由于有向网络边的有向性，数据间蕴含着层级结构。我们将分类结果与有向网络个性化的PageRank相结合，对分类结果进行了可视化展示。 本文的创新点主要包括： 借鉴分子动力学模型，提出了动态半监督分类模型及算法；将分类结果与新的杂志节点重要度排序指标相结合，将分类结果可视化展示； 以种子节点选择为目标，提出了更具一般性的二次规划问题全局最优性条件，通过建立二次规划问题的拉格朗日乘子与非负二次函数锥规划之间的等价关系，提出预处理的局部搜索策略来解决二次规划的子问题； 基于种子节点的改善策略，提出了层级动态半监督分类算法，通过求解典型性相关分析的变异形式，选择新的种子节点。