当不同类别的样本严重重叠在分类边界时，由于聚类假设不能很好地反映出数据的真实分布，基于聚类假设的半监督分类方法的性能，可能比与之对立的监督分类方法更差。针对上述不安全的半监督分类问题，提出了调整聚类假设联合成对约束半监督分类方法（ACA-JPC-S3VM）。一方面，它将单个未标记样本到数据分布边界的距离融入到模型的学习中，能够一定程度上缓解此类情况下算法性能的下降程度；另一方面，它将成对约束信息引入，弥补了模型对监督信息利用方面的不足。在UCI数据集上的实验结果表明，ACA-JPC-S3VM方法的性能绝不会低于支持向量机（SVM），且在标记样本数量为10时的平均准确率较SVM高出5个百分点；在图像分类数据集上的实验结果表明，直推式支持向量机（TSVM）等半监督分类方法出现了不同程度的不安全学习情形（即性能相近或低于SVM），而ACA-JPC-S3VM却能安全地学习。因此，ACA-JPC-S3VM具有更好的安全性与正确性。

在数据稀少或失真等场景下,传统软划分聚类算法无法获得满意的聚类效果。为解决该问题,以极大熵聚类算法为基础,基于历史知识利用的途径,提出两种新的具备历史借鉴能力的软划分聚类模型(分别简称SPBC-RHK-1和SPBC-RHK-2)。SPBC-RHK-1是仅借鉴历史类中心的基础模型,SPBC-RHK-2则是以历史类中心和历史隶属度相融合为手段的高级模型。通过历史知识借鉴,两种模型的聚类有效性均得到有效提高,比较而言具备更高知识利用能力的SPBC-RHK-2模型在聚类有效性和鲁棒性上具有更好的表现。由于所用历史知识不暴露历史源数据,因此两种方法还具有良好的历史数据隐私保护效果。最后在模拟数据集和真实数据集上的实验验证了上述优点。