En el mundo real, la mayoría de los datos no están etiquetados, lo que impulsa el desarrollo del aprendizaje semi-supervisado (SSL). Entre los métodos SSL, la regresión de mínimos cuadrados (LSR) ha atraído la atención por su simplicidad y eficiencia. Sin embargo, los enfoques existentes de LSR semi-supervisados enfrentan desafíos como el uso insuficiente de datos no etiquetados, baja precisión de pseudoetiquetas e ineficiente propagación de etiquetas. Para abordar estos problemas, este artículo propone la regresión de mínimos cuadrados impulsada por la propagación de etiquetas duales con selección de características, llamada DLPLSR, que es un marco SSL sin pseudoetiquetas. DLPLSR emplea una estrategia de agrupamiento basada en grafos difusos para capturar relaciones globales entre todas las muestras, y la regularización de la variedad preserva la consistencia geométrica local, de modo que implementa el mecanismo de propagación de etiquetas duales para la utilización integral de datos no etiquetados. Mientras tanto, se establece un mecanismo de selección de características duales mediante la integración de proyección ortogonal para maximizar la información de características con una regularización de la norma para eliminar la redundancia, mejorando así conjuntamente el poder discriminativo. Beneficiándose de estos dos diseños, DLPLSR aumenta el rendimiento del aprendizaje sin pseudoetiquetado. Finalmente, la función objetivo admite una solución en forma cerrada eficiente que se puede resolver mediante una estrategia de optimización alternativa. Experimentos extensos en múltiples conjuntos de datos de referencia muestran la superioridad de DLPLSR en comparación con los métodos SSL basados en LSR de última generación.