迁移学习是通过利用源域的已标记数据中的知识来增强目标域中的模型性能,而目标域中只包含少量或没有标记的训练样本。因为在现实世界中人工标记数据需要耗费大量的人力和物力,所以利用已标记源域来辅助目标域任务可以大大减少人工标记的消耗。目前,主流的迁移方法假设源域和目标域包含相同的特征空间,而实际应用中收集具有相同特征空间的源域和目标域比较困难。因此,异构迁移学习的发展解决了这些局限性。异构迁移学习中源域和目标域的特征空间是不同的,在处理跨域迁移任务中,如何弥补特征空间或分布差异,以及减少在构造公共特征空间时所造成的信息损失,仍将面临巨大的挑战。本文针对上述的问题提出了两个异构迁移学习新方法,相比较于已有的异构迁移学习算法,本文所提算法具有较好的异构迁移学习能力。如下为本文两个异构迁移学习方法的主要工作:1)第一个工作是针对目标域中含少量标签样本的异构特征迁移新方法研究。虽然现有的异构特征迁移学习方法已取得重要发展,但依然面临如下的挑战:特征迁移学习的过程可解释性较差,阻碍了其更广泛的应用。面对上述挑战,本文提出了一种基于模糊推理规则的异构特征迁移学习框架,并基于该框架实现了一种基于模糊逻辑推理的异构特征迁移学习方法。所提方法通过利用TSK模糊系统的前件映射和后件映射将源域和目标域特征投影到一个公共特征子空间,实现了在模糊特征隐空间的有效特征迁移学习,因而也展现了较好的异构特征迁移学习能力。大量的实验研究表明与传统的异构迁移学习方法相比,本文方法的学习能力具有高度可竞争性,同时兼具较好的可解释性,因而具有广泛的应用前景。2)第二个工作是针对目标域中不含有标记示例的异构领域自适应新方法研究。异构领域自适应是异构迁移学习的一个分支,现有的异构领域自适应方法大多属于半监督方法,这些方法要求目标域中含有一部分已标记样本,然而这种数据集在很多异构领域自适应任务中是稀缺的。为了解决上述问题,本文提出了一种基于模糊规则学习的无监督异构领域自适应方法。一方面,所提方法基于TSK模糊系统的规则学习分别对源域和目标域进行特征学习,通过学习两个特征变换矩阵将源域和目标域投影到一个公共特征子空间。另一方面,为了减少因特征变换所造成的信息损失,所提方法采取了多种信息保持策略,并且最大化公共特征子空间中源域数据和目标域数据之间的相关性。通过在几个真实领域自适应数据集上进行实验,验证了本文所提算法相对于现有的异构领域自适应方法具有一定的优越性。