En este trabajo, estudiamos el algoritmo de regresión de Huber regularizado en un espacio de Hilbert de núcleo reproductor (RKHS), que es aplicable tanto a esquemas de aprendizaje completamente supervisado como semi-supervisado. Nuestro enfoque en el trabajo es doble: primero, proporcionamos las propiedades de convergencia del algoritmo con datos completamente supervisados. Establecemos tasas de convergencia óptimas en el sentido minimax cuando la función de regresión se encuentra en RKHSs. En segundo lugar, mejoramos el rendimiento de aprendizaje del algoritmo de regresión de Huber mediante un método semi-supervisado. Mostramos que, con suficientes datos no etiquetados, las tasas óptimas de minimax pueden mantenerse si la función de regresión está fuera de RKHSs.