与单任务学习（STL）相比,多任务学习（MTL）通过在多任务模型中的任务之间共享信息以获得了更好的分类器。在多任务学习中,目标任务利用多个非目标任务的训练信号所拥有的相关经验信息来提升模型的泛化效果。在训练过程中,每个任务所携带的数据信息都是关于某一领域的信息,但各任务数据之间有所差别。大多数现有的多任务学习方法在训练过程中仅关注训练任务的相关数据,而忽略了训练任务中其他非相关但可能包含有用信息的数据。另外,在现实生活中,许多问题的数据集拥有多个标签,大多数用于多任务学习模型训练的数据仅包含正面和负面标签,而那些不属于任何正负标签的数据称为Universum数据。为了进一步提高多任务模型的性能以及数据利用率,我们把Universum数据作为先验知识添加到多任务学习分类器的训练中。本文的主要的研究工作包括:（1）首先对多任务学习的算法进行系统的理论和应用研究,了解、掌握相关理论背景和应用过程,总结其优点及不足。然后,了解Universum学习的理论背景,了解Universum学习所编码的先验知识是如何对模型产生正向作用。（2）为了构建有关多任务分类中数据分布的先验知识,我们将Universum学习纳入多任务学习并提出融合Universum数据的多任务学习方法。提出的模型使用参数将每个任务关联在一起。为了充分利用Universum数据（用于对训练集的先验知识信息进行编码）,每个任务都具有对应的Universum数据。然后,我们基于原始数据和Univerusm数据构造一个超平面,并使位于超平面附近的Universum数据获得准确的分类器。（3）将所提出的融合Universum数据的多任务学习支持向量机在20newgroups、reuters-21578、web-kb、Landmine数据集上进行实验。在实验过程中,利用文本提取方法及多种Universum数据构建方法构建实验所需的数据。