针对图的半监督聚类算法 (Semi-Supervised Graph-Based Clustering, SSGC)中出现的对先验信息利用不充分、不足以应对数据异构、计算耗时大等问题，本文提出一种基于半监督复合核的图聚类算法，并应用于高光谱图像。该算法首先通过引入半监督学习方法对径向基函数 (Radial Basis Function, RBF)进行了改进，以充分利用少量的标记样本和无标记样本；其次将 RBF核与光谱角核进行融合，构造复合核权重矩阵。在权重矩阵的构造过程中， K-近邻方法的引入也简化了计算过程。在 Indian Pine和 Botswana高光谱数据集上的实验结果表明，相对于 SSGC算法，本文算法不仅实现了更高的分类正确率，其总体分类精度提升 1%～4%，而且有效提升了运算速度。