A medida que la dimensión de características de los datos continúa expandiéndose, la tarea de seleccionar un subconjunto óptimo de características de un conjunto limitado de datos etiquetados y de una gran cantidad de datos no etiquetados se vuelve cada vez más desafiante. En los últimos años, se han propuesto algunos métodos de selección de características semi-supervisados (SSFS) para seleccionar un subconjunto de características, pero aún tienen algunas desventajas que limitan su rendimiento, por ejemplo, muchos métodos SSFS subutilizan la información de distribución estructural disponible dentro de los datos etiquetados y no etiquetados. Para abordar este problema, proponemos un método de selección de características semi-supervisado basado en un gráfico adaptativo con restricciones globales y locales (SFS-AGGL) en este artículo. Específicamente, primero diseñamos un mecanismo de aprendizaje de gráfico adaptativo que puede considerar tanto la información global como la local de las muestras para aprender y retener de manera efectiva la información estructural geométrica del conjunto de datos original. En segundo lugar, construimos una técnica de propagación de etiquetas integrada con el aprendizaje de gráfico adaptativo en SFS-AGGL para utilizar plenamente la información de distribución estructural de los datos etiquetados y no etiquetados. El método SFS-AGGL propuesto se valida a través de tareas de clasificación y agrupamiento en varios conjuntos de datos. Los resultados experimentales demuestran su superioridad sobre los métodos de referencia existentes, particularmente en términos de rendimiento de agrupamiento.