传统的机器学习算法不仅要求有大量的带标签训练数据,还要求训练数据和测试数据满足同分布。但是在实际应用中,常常缺乏与测试数据同分布的带标签的训练数据,因此如何运用其他领域中不同分布的带标签的训练数据,辅助目标任务的完成是亟需解决的问题。迁移学习是解决这一问题的一种有效方法。而在大多数迁移学习中都要求源领域与目标领域之间存在一定的相似度,在迁移学习框架中利用相似度学习可以提高迁移的效果。BP神经网络算法是一种应用比较广泛的机器学习算法,其在带标签样本数据少的领域中分类准确率较低。针对上述问题,本文研究了基于相似度的BP神经网络迁移学习算法,其主要的研究工作如下:(1)提出了基于相似度的BP神经网络单源迁移学习算法(TL-BP)。该算法首先得到了源领域的最优权重参数并得到了源领域与目标领域之间的最优相似度;然后结合该相似度把源领域的最优权重参数信息迁移到目标领域中;最后构建了适用目标领域的BP神经网络模型。以BP神经网络算法以及TrAdaBoost算法作为对比算法,使用Letterrecognition数据集、Wine Quality数据集以及20Newsgroups数据集对算法进行了实证分析。实验结果表明,在大部分实验组合下,该算法的平均分类准确率和分类时间都有明显的优势,但是在个别实验组合中出现了“负迁移”问题。(2)针对TL-BP算法中出现的“负迁移”问题,提出了基于相似度的BP神经网络多源迁移学习算法(MTL-BP)。该算法是在TL-BP算法的基础上增加了源领域的个数,把各个源领域的最优权重参数信息结合对应的最优相似度迁移到目标领域中。为了验证算法的有效性,在Letter-recognition数据集以及20Newsgroups数据集上进行实验。最终实验结果表明,与MultiSourceTrAdaBoost算法相比,该算法无论是在分类时间上还是平均分类准确率上都有明显的优势;与TL-BP算法以及BP算法相比,该算法在分类时间接近的前提下有更高的平均分类准确率。综上表明了该算法的有效性以及避免了“负迁移”问题。