信息技术的快速发展使得人们可以通过越来越多的途径获得海量的信息,如何从这些信息和数据中提取有用的知识是非常重要的任务。传统的机器学习方法可以有效的挖掘数据、发现知识。但随着新数据量的激增,传统的机器学习方法遇到了缺乏足量的人为标注知识的问题。实际中学习数据和训练数据的概率分布差异使得很多机器学习方法失效。迁移学习是一种新的机器学习框架,该方法对于学习数据和训练数据不再需要严格的同分布的概率假设条件,可以使用不同概率分布下的学习数据去用于训练模型最终准确的判断和预测训练数据。交互式图像分割同样是机器学习的问题,通过对人为标记的先验知识学习最终实现未标记像素的分类。本文从迁移学习的理论入手,深入研究迁移学习方法并研究迁移学习和交互式图像分割的关系。提出的算法在迁移学习和交互式图像分割研究中都得良好的实验结果。本论文的主要研究工作如下:1、提出了流形结构保持的判别式迁移学习(Discriminant and Geometirc Aware Unsupervised Domain Adaptation,DGA-DA)算法。DGA-DA基于降维求解公共特征空间,考虑不同标签子域之间的判别式条件概率分布逼近。DGA-DA采用拉普拉斯图算法构建数据的关联结构图保持数据的几何特征分布,并对已标注的源域标签进行标签保持。DGA-DA实现了统计量的判别式概率分布逼近和知识传递,也解决了数据几何结构在不同维度空间中的统一的问题。通过8个数据库上的49组DA任务进行定量对比实验,实验结果表明DGA-DA算法的高效性和高精度。在仿真数据上的可视化实验结果论证了算法对几何结构有稳定的保持。2、考虑特征空间优化,通过对子空间进行良好分割和对齐不同的任务子空间。提出基于空间对齐的判别式迁移学习(Robust Data Geometric Structure Aligned Close yet Discriminative Domain Adaptation,RSA-CDDA)算法。该算法基于样本重构模型建模,采用无参统计估计和几何结构对齐的约束。通过对重构子空间的低秩和稀疏建模,解决了数据的局部几何结构保持以及不同子域的子空间分割和对齐的问题。仿真和实验结果初步讨论了RSA-CDDA的效率和可行性。通过对噪声和误差的建模约束,该算法进一步提升了DGA-DA算法的性能。通过数据库上的16组DA任务进行定量对比实验,结果比主流的DA算法有较大提升。3、提出基于样本重构和FLDA分类的交互式图像分割(Samples reconstruction and FLDA,SR-FLDA)算法。SR-FLDA是基于稀疏编码和分类思想构建的交互式图像分割算法。SR-FLDA采用迁移学习中的边缘概率分布逼近技术,实现了标记和未标记像素区域数据的分布统一。同时SR-FLDA采用稀疏编码构建了足够样本扩张标记数据的数据域,降低标签数据对于分割结果的影响。此外,SR-FLDA采用分类的思想结合超像素分割预处理,实现了非连通区域的分割。实验结果表明SR-FLDA对于弱交互的图像分割有明显的提升。同时SR-FLDA在MSRC和KIM数据库上的实验对比其余经典交互式图像分割算法都有较大提升。4、提出基于Fisher法则联合框架优化下的交互式图像分割(Samples reconstruction&binary and multiclass classificaiton,SR-BM)算法。SR-BM是基于样本重构和联合分类构建的交互式图像分割算法。该算法采用联合二分类和多分类的分类模型,解决了图像分割的语义任务和统计任务的统一的问题。在MSRC和KIM数据库上的实验结果表明SR-BM对于弱交互图像的分割有显著的提升。同时SR-BM对于超像素预处理和交互式标记有较高的鲁棒性。