在实际的分类任务中，无标记样本数量充足而有标记样本数量稀少的情况经常出现，目前处理这种情况的常用方法是半监督自训练分类算法。提出了一种基于数据密度的半监督自训练分类算法，该算法首先依据数据的密度对数据集进行划分，从而确定数据的空间结构；然后再按照数据的空间结构对分类器进行自训练的迭代，最终得到一个新的分类器。在UCI中六个数据集上的实验结果表明，与三种监督学习算法以及其分别对应的自训练版本相比，提出的算法分类效果更好。