迁移学习是针对跨领域学习问题提出的一类机器学习方法。迁移学习在彼此不同但又相关联的两个领域之间挖掘领域共享的潜在特征和结构,使得样本数据所包含的知识可以在领域之间实现迁移和复用。早期的迁移学习算法假设每个实例只与一个类别标记相关,而在图像、文本、视频等分类问题中,实例通常都会被同时标注多个类别标记。因此,近年来一些研究开始关注多标记数据的迁移学习方法,又称多标记迁移学习(Multi-Label Transfer Learning)。多标记迁移学习通过将多标记数据转化为单标记数据,或者改进已有的单标记迁移学习算法,解决多标记数据的迁移学习问题。当前的多标记迁移学习研究都是基于特征迁移方法,通过构造源领域与目标领域的公共特征表示,将源领域中多标记样本的特征分布和标记关系迁移到目标领域中。却少有研究关注领域间特征分布和标记关系的差异对迁移后的模型造成的影响。因此,本文围绕多标记迁移学习,针对领域间样本的特征分布差异和标记关系差异展开研究。本文设计了一个具有领域自适应性的多标记迁移学习算法,以及一个基于局部标记关系的多标记迁移学习算法,并将前者应用到多物种鸟声识别问题中,提出了一种基于特征迁移的多物种鸟声识别方法。论文的主要贡献包括:(1)针对领域间特征分布差异问题,设计基于最大均值差异的多标记迁移学习算法(M-MLTL)目前已有的多标记迁移学习算法忽视了源领域与目标领域数据的特征分布可能存在差异,此时源领域数据的特征无法被目标领域充分利用。本文针对该问题提出一个具有领域自适应性的特征迁移算法。算法通过构造一个理想的特征映射函数将源领域和目标领域样本投影到共享的潜在特征子空间中,并引入最大均值差异(Maximum MeanDiscrepancy,MMD)度量子空间内的领域特征分布差异,确保子空间内的样本特征分布相似,从而避免了特征分布差异造成的分类模型不适应。算法在2个图像分类数据集上的对比实验结果表明,新算法在五项指标上的综合表现排名第一,可见新算法相较于已有同类算法有更高的分类精度;另一方面,当样本数量大于700后,随着样本数量的增加新算法的计算时间不再增加,可见新算法在大样本分类问题中有更高的计算效率。(2)针对领域间标记关系差异问题,提出多标记迁移学习中的局部标记关系理论,并设计基于局部标记关系的多标记迁移学习算法(MTLOC)现有多标记迁移学习假设源领域的标记关系对目标领域是全局有效的,然而源领域与目标领域的标记关系存在差异,源领域中标记关系并不全适合于目标领域。因此,本文将基于局部标记关系的多标记学习算法(Multi-Label learning using LOcal Correlation,ML-LOC)推广到迁移问题中,提出一种基于局部标记关系的多标记迁移学习算法。通过最小化加权损失函数,挖掘源领域与目标领域共享的标记关系,并将其作为辅助特征,提高分类模型在目标领域上的分类精度。算法在2个图像分类数据集上的对比实验结果表明,并且随着局部标记关系个数的增加,算法各项指标的表现有明显提升,可见在多标记迁移学习问题中局部标记关系能够提升算法精度;新算法在各项指标上的表现都超过基于全局标记关系的迁移学习算法,可见新算法比基于全局标记关系算法有更高的分类精度。(3)提出一种基于特征迁移的多物种鸟声识别方法(FT-RMBS),为多物种鸟声识别应用中训练样本不足的问题提供了一种解决方案针对多物种鸟声识别中多物种鸟声样本不足的问题,尝试采用单物种鸟声样本训练多物种鸟声识别模型,提出一种基于特征迁移的多物种鸟声识别方法,该方法采用M-MLTL算法将单物种鸟声和多物种鸟声的原始音频特征映射为同分布的潜在音频特征,再基于单物种鸟声的潜在音频特征训练多物种鸟声识别模型。对比算法在自然形成的多物种鸟声数据集上的识别效果,新算法在4项全局评价指标上都取得了较好的识别效果,可见新算法相较于未采用特征迁移的鸟声识别算法有更高的识别率。算法在人工构造的多物种鸟声数据集上对比试验表明,基于特征迁移的识别算法正确识别率相较于对比算法最高提升了 20%,可见新算法在多物种鸟声识别问题中更有优势。