La clasificación semisupervisada basada en grafos utiliza un grafo para capturar la relación entre las muestras y explota técnicas de propagación de etiquetas en el grafo para predecir las etiquetas de las muestras no etiquetadas. Sin embargo, es difícil construir un grafo que describa fielmente la relación entre muestras de alta dimensión. Recientemente, se ha introducido la representación de rango bajo para construir un grafo, que puede preservar la estructura global de muestras de alta dimensión y ayudar a entrenar clasificadores transductivos precisos. En este documento, aprovechamos la representación de rango bajo para la construcción del grafo y proponemos un clasificador semisupervisado inductivo llamado Clasificación Semisupervisada basada en Representación de Rango Bajo (SSC-LRR). SSC-LRR utiliza primero un método de dirección alternativa linealizado con penalización adaptativa para calcular la matriz de coeficientes de representación de rango bajo de las muestras. Luego, la matriz de coeficientes se adopta para definir un grafo. Finalmente, SSC-LRR incorpora este grafo en un clasificador lineal semisupervisado basado en grafos para clasificar muestras no etiquetadas. Se realizan experimentos en cuatro conjuntos de datos faciales ampliamente utilizados para validar la efectividad del SSC-LRR propuesto y los resultados demuestran que SSC-LRR logra una precisión más alta que otros métodos relacionados.