迁移学习是目前机器学习中一个热点研究领域,利用与目标域相关的源域知识辅助目标域的学习。目前一些迁移学习方法考虑在源域中选择相关的样本进行迁移,并假设数据类别满足均衡分布,但存在以下不足:1)忽略了源域中每个样本中的部分相关或者不相关的知识,对于每个源域样本,可能只有部分特征对于迁移学习是相关的。即当利用相关性来选择源域样本时,可能引入了其不相关的特征知识,同时当丢弃不相关的源域样本时,可能也丢弃了一些相关的特征知识。2)如果源域和目标域中存在类别分布不均衡情况,将导致对源域数据与目标任务相关性的判断不正确,如果从不太相关的源域迁移知识到目标域就可能发生负迁移现象。因此,本文的研究内容主要包括以下的两个方面:首先,试图在迁移中发现源域和目标域中的部分相关“样本-特征”知识,提出一种基于部分相关“样本-特征”知识的迁移学习方法(transfer learning with partial related“instancefeature”knowledge,PRIF)。在PRIF中,先通过协同聚类方法来发现部分“样本-特征”结构,然后利用此结构知识重新构造源域样本,以提升源域样本和目标域样本之间的相关性。实验结果表明:PRIF可有效提升迁移学习的学习性能。其次,提出一种基于局部权重的迁移学习方法(transfer learning with local weight,TL_LW)。在TL_LW中,基于对目标域各局部区域的预测能力,为源域每个局部区域训练的分类器分配合适的权重,以减轻不均衡分布的影响。实验结果表明:通过TL_LW方法可获得性能提升。