传统的机器学习和数据挖掘算法大多基于这一假设:训练数据集和测试数据集具有相同的特征空间和数据分布,因而更侧重于与其他任务或者先前学习到的知识相互独立的单任务学习。然而,在实际应用中,特征空间和数据分布常常发生变化,因此需要花费大量的时间和精力去重新收集大量的标记数据并训练新模型。迁移学习是一种新的学习框架,其旨在使一个系统具有识别和应用先前任务中学习到的知识和技巧于新的任务或领域的能力。本文针对归纳迁移学习和直推迁移学习这两个分支,分别从单领域迁移和多领域迁移两方面展开了迁移学习算法的研究,提出了基于最大熵模型的加权归纳迁移学习算法WTLME和集成直推迁移学习算法SFEC。主要工作如下:(1) WTLME着重于解决单领域迁移的归纳迁移学习问题,通过将已训练好的原始领域模型参数迁移到目标领域,并对目标领域实例权重进行调整,来获得目标领域准确率较高的分类器模型。通过在Web网页数据集和评论数据集上的大量实验表明了该算法的有效性。(2)为进一步提高迁移学习在评论数据集上的情感分类的准确率,在WTLME的基础上提出了基于最大熵模型的集成直推迁移学习算法SFEC,该算法在多个原始领域标记数据集和目标领域未标记数据上训练一个集成分类器,并对未标记数据进行预标记,然后选出预标记可信度高的目标数据反馈到集成分类器中进行迭代训练,以保证进一步提高目标领域模型的准确率。通过在评论数据集上的大量实验表明SFEC确实提高了目标领域模型的准确率,并且缓解了“负迁移”现象。