El aprendizaje de múltiples núcleos no dispersos es eficiente pero no puede aplicarse directamente en un escenario semi-supervisado; por lo tanto, lo extendemos al aprendizaje semi-supervisado utilizando una regularización de variedad. La regularización de variedad se basa en un grafo construido en todas las muestras de datos, incluidas las etiquetadas y las no etiquetadas, y obliga al clasificador regularizado a ser suave a lo largo del grafo. En este estudio, proponemos el modelo de múltiples núcleos regularizado por variedad -norma y proporcionamos las soluciones con pruebas. El límite de riesgo se introduce brevemente basado en la complejidad local de Rademacher. Experimentos en varios conjuntos de datos y comparaciones con varios métodos muestran que la eficiencia del modelo propuesto se puede utilizar en un escenario semi-supervisado.