实际应用领域产生了大量的在线数据,如异常检测和信用卡欺诈检测等。这些在线数据多缺乏标记信息,且在线数据中隐含的信息随时间发生变化,这都给在线数据分析任务带来极大的挑战。近年来,利用有标记的源领域信息实现在线迁移学习的方法得到了广泛的关注。现有的在线迁移学习方法多根据分类准确度来更新模型,在实际应用中难以达到理想的效果。为此,本文面向不同特点的应用领域开展在线迁移学习方法研究,主要研究内容如下:1)介绍了在线迁移学习的定义,并对当前主流的在线迁移学习方法进行了分析和介绍。2)在信用卡欺诈等在线应用领域中,分类代价比准确率更为重要,且在线数据的代价通常会随着时间发生变化。针对这一问题,本文综合考虑分类代价和准确度提出一种基于自适应代价的在线迁移学习分类方法(OLAC)。该方法引入标记分布参数用于代价的自适应计算,并通过组合参数将源域和目标域结合,从而实现源域模型到目标域的在线迁移;最后,根据代价和准确度来动态更新学习分类模型。实验结果表明该方法可以取得比基线算法更好的分类准确度和最小的代价。3)针对多数线性分类模型无法解决在线数据中的线性不可分问题,而解决在线线性不可分问题的核方法在在线环境下又存在支持向量无边界增长的问题,本文提出了一种基于核的在线迁移分类方法(KOTL)。该方法首先将目标函数直接映射到再生希尔伯特空间从而忽略原来目标域数据在低维空间是否线性可分问题;然后引入一种缓冲策略解决核函数支持向量的无边界增长问题;最后,通过同时优化结构损失函数、域间分布差异以及流行正则化函数来实现分类模型的更新。在多个图像数据集上的实验表明,KOTL算法的性能显著优于基准算法。