This paper presents a new semi-supervised classification algorithm based on the oscillatory correlation theory. In this approach, the data set is converted into a network whose nodes represent the samples, and edges the similarity among these samples. Each node in the network is modeled by an oscillator. The network clustering is given by the oscillators synchronization phenomenon, whereas the separation of oscillators that represent distinct clus-ters is induced by a global inhibitor. The previously labeled objects make use of the synchronization dynamics in order to propagate labels among their neigh-bors. Experiments performed with the proposed approach have shown promis-ing results in a variety of data sets. It has shown to be capable of eventually outperforming traditional methods in the literature. Resumo. Este trabalho apresenta um novo algoritmo para classifica ao semi-supervisionada baseado na teoria da correla ao oscilatória. Nesse modelo, o conjunto de dado e transformado em uma rede na qual os vértices representam os exemplos e as arestas a rela ao de similaridade entre esses exemplos. Cada vértice da redé e modelado por um oscilador. A forma ao dos agrupamentos na redé e obida a partir do fenômeno de sincroniza ao entre os osciladores enquanto a separa ao entre osciladores que representam grupos distinto e in-duzida por um inibidor global. Paralelamente aos fenômenos de sincroniza ao e dessincroniza ao provenientes da teoria da correla ao oscilatória, os exemplos pré-rotulados utilizam a dinâmica de sincroniza ao para efetuar a propaga ao dos rótulos entre seus vizinhos. Experimentos realizados com o modelo pro-posto apresentam resultados promissores para diferentes tipos de conjuntos de dados, superando, em alguns casos, os métodos tradicionais da literatura.