在实际生活中，可以很容易地获得大量系统数据样本，却只能获得很小一部分的准确标签。为了获得更好的分类学习模型，引入半监督学习的处理方式，对基于未标注数据强化集成多样性（UDEED）算法进行改进，提出了UDEED ⁺——一种基于权值多样性的半监督分类算法。UDEED ⁺主要的思路是在基学习器对未标注数据的预测分歧的基础上提出权值多样性损失，通过引入基学习器权值的余弦相似度来表示基学习器之间的分歧，并且从损失函数的不同角度充分扩展模型的多样性，使用未标注数据在模型训练过程中鼓励集成学习器的多样性的表示，以此达到提升分类学习模型性能和泛化性的目的。在8个UCI公开数据集上，与UDEED算法、S4VM（Safe Semi-Supervised Support Vector Machine）和SSWL（Semi-Supervised Weak-Label）半监督算法进行了对比，相较于UDEED算法，UDEED ⁺在正确率和 F1分数上分别提升了1.4个百分点和1.1个百分点；相较于S4VM，UDEED ⁺在正确率和 F1分数上分别提升了1.3个百分点和3.1个百分点；相较于SSWL，UDEED ⁺在正确率和 F1分数上分别提升了0.7个百分点和1.5个百分点。实验结果表明，权值多样性的提升可以改善UDEED ⁺算法的分类性能，验证了其对所提算法UDEED ⁺的分类性能提升的正向效果。