在众多领域存在大量的时间序列数据,如金融、医疗、交通、天气等,如何从历史数据中获得更可靠的、更准确的关键信息,并为人们的决策提供支持,引起了学者们的关注与研究。基于深度学习的数据融合算法能从多源数据自动提取特征,有效弥补单一来源数据的缺陷。经典的基于深度学习的数据融合算法主要利用单个任务数据进行融合,忽略了其它相似任务的先验知识。由于迁移学习是从相似任务中学习先验知识,从而弥补单个任务数据的不足,因此本文对基于迁移学习的融合算法进行研究。本文的主要工作如下:1、提出了一种基于迁移学习的数据融合算法（DFTL）。针对数据量小将导致模型训练不足,融合效果差的问题,本文提出了DFTL算法。DFTL首先对数据进行预处理提高数据质量,其次建立目标模型,并从已训练的源模型中迁移部分参数,最后利用任务的输入数据训练目标模型。采用数据为OTB-100中的8个视频序列的眼动数据和跟踪数据进行实验,结果表明,与LSTM、CNN-LSTM、CNN-GRU、GGA相比,DFTL提高了眼动数据和跟踪数据的融合效果,降低了目标跟踪误差。2、提出了一种基于迁移学习的多尺度数据融合算法（TELM）。由于经验模态分解将数据分解为不同时间尺度的分量,从而可降低时间序列数据的预测难度,因此,本文提出了TELM算法,通过降低分量的预测误差提高股票的预测效果。TELM分别采用不同的方法对高频分量和低频分量进行预测,并将所有分量的预测值相加。在高频分量的预测中,利用迁移学习从其它任务中获取先验知识。实例采用的数据为500支股和上证指数、深证成指、上证50、中证500、沪深300的历史行情数据,实验结果表明,与DTRSI、EMD-LSTM、LSTM、MA、CNN-LSTM相比,TELM在单支股票与股票指数的预测任务中都取得较好的结果。3、提出了一种基于迁移学习的异构数据特征融合算法（HDFF）。为了进一步提高多尺度数据融合效果,本文在TELM的基础上,提出了HDFF算法,对数值数据和文本数据进行融合,提高了预测效果。在预测单个高频分量时,HDFF首先利用多个相似任务中两种数据预训练两个源模型,然后建立融合模型,并从两个源模型中迁移先验知识,最后训练融合模型的未迁移层。其中两个源模型分别利用LSTM和CNN提取特征,融合模型将提取的两种特征进行融合。采用上证指数等股票指数的行情数据和情绪数据进行实例验证,实验结果表明加入了情绪数据的HDFF比TELM预测效果更好。