En escenarios de aprendizaje semi-supervisado, la presencia de datos etiquetados limitados y abundantes muestras no etiquetadas plantea desafíos significativos para la robustez y generalización del modelo. Aunque el sistema de aprendizaje amplio semi-supervisado (SSBLS) explota eficazmente la estructura de variedades a través de la regularización del Laplaciano gráfico, su optimización se formula típicamente bajo el criterio de error cuadrático medio (MSE), que es sensible al ruido y a los valores atípicos. Para abordar esta limitación, este artículo introduce el criterio de correntropía de mezcla máxima (MMC) en el marco de SSBLS y propone un modelo denominado M2C-SSBLS. Al reemplazar la pérdida MSE convencional por un objetivo basado en correntropía de mezcla, el método propuesto mejora la robustez contra el ruido no gaussiano y muestras anormales, al tiempo que preserva la eficiencia computacional y la propiedad de solución analítica del BLS. Además, para mejorar la diversidad de representación y reducir la varianza del modelo, se propone una extensión de conjunto de múltiples vistas, llamada EC-SSBLS. Este método construye múltiples vistas de características a través de una estrategia de subespacio de características aleatorias y entrena de manera independiente un aprendiz base M2C-SSBLS en cada subespacio. Finalmente, los resultados predichos de cada vista se fusionan a través de un mecanismo de votación. Los experimentos en conjuntos de datos de referencia de UCI bajo configuraciones sin ruido, con un 10% y un 20% de ruido en las etiquetas demuestran que el M2C-SSBLS propuesto supera consistentemente al SSBLS convencional y a otros enfoques avanzados de aprendizaje semi-supervisado. La extensión de conjunto EC-SSBLS mejora aún más el rendimiento, particularmente en entornos ruidosos, validando la efectividad de combinar la optimización basada en MMC con el aprendizaje de conjunto de múltiples vistas.