为了在标记样本数目有限时尽可能地提高支持向量机的分类精度, 提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设, 即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进行构造。采用K-均值聚类算法对已有的标记样本和所有的无标记样本进行多次聚类, 根据最终的聚类结果去构造聚类核函数, 从而更好地反映样本间的相似程度, 然后将其用于支持向量机的训练和分类。理论分析和计算机仿真结果表明, 该方法充分利用了无标记样本信息, 提高了支持向量机的分类精度。