随着信息化浪潮的席卷全球,数据量的爆炸式增长。海量数据的复杂性和非结构性给信息的处理带来了巨大的挑战。而文本资源以其占据资源量少、容易上传和下载等优点占据了整体信息量的百分之八十以上,因此如何快速而高效的管理和利用这些文本资源就成了函待解决的问题。文本分类技术也就应运而生,所谓的文本分类就是在指定的分类体系下,根据待分类文本的内容自动将其归属于某个类别或某几个类别的过程。现如今传统的文本分类算法如:K最近邻、支持向量机等都是基于统计学习理论的,不能应用之前已经学习过的知识对新的数据集进行分类,并且要求训练数据与测试数据必须满足同分布。针对这样的问题,本文将迁移学习模型引入到文本分类中。迁移学习是认知理论中的一个基本概念,其主要的意义就是一种学习对另一种学习的影响。迁移学习理论让应用以往学习过的任务经验来学习新的任务。其中基于实例的迁移学习适合应用到文本分类体系。本文首先根据传统特征提取算法应用在迁移学习中的不足而提出了一种基于两个阶段提取的特征提取算法,实验表明算法有效的提高了在迁移学习中特征提取的准确率;然后本文将Boosting的增强学习概念引入BP网络中完成实例层次的迁移,通过引入大量的辅助训练数据来对少量与测试数据同分布的目标数据构建起一个良好的分类模型,不仅摆脱了传统分类因训练数据不足得不到良好的学习效果的缺陷,也解决了原本分类的体系对数据集的依赖性。并经过实验得到良好的结果。