分类技术是数据挖掘中的热门,广泛应用于社会生活各个领域,通过学习得到一个分类模型,把每个属性集映射到一个预先定义的类标号。随着深度学习和神经网络的发展,分类任务也迎来了新的发展,但仍然面临着标注数据难获取、标注工作难度大等问题。面向少标签场景时,由于缺乏充足的标注数据,常规分类方法训练得到的模型分类效果不稳定、泛化性能差;而在一些特殊的领域,甚至无法获取到标注数据,这时由于缺乏标签信息监督模型训练,常规分类方法不再适用。迁移学习可以利用数据、模型、任务等方面的相似性,将有大量标注的源域学习到的知识应用到目标域,协助完成目标域分类任务。目前针对少标签甚至无标签的情况,基于实例的迁移学习通过实例加权策略,使源域和目标域的数据分布相似,这种方法的缺点在于难以确定权重的取值;基于特征的迁移学习寻找源域和目标域之间共同的特征表示,利用这些特征进行知识迁移,但是容易破坏领域的内部结构;基于参数的迁移学习考虑到模型的参数能够反映学习到的知识,将源域训练好的模型的参数应用到目标域上,模型参数不易收敛;基于关系的迁移学习迁移的是类比关系,这种方法应用较少,仅适用于关系域。针对上述问题,本文提出的创新性成果如下:（1）面向少标签分类任务,提出了一种基于非负稀疏约束和判别联合概率的参数迁移方法。构建了非负稀疏降噪堆栈自动编码器,提高模型的数据重构能力以及鲁棒性,提取更加有效的高阶特征;设计了基于判别联合概率的域间差异度量方法,在减少域间差异的同时保留类别信息,有助于分类训练;此外还设计了基于动态选择的参数迁移方法,根据参数敏感度确定是否将该参数设置为冻结。通过仿真实验对所提方法进行分析验证,证明了该方法的优越性和创新性。在少标签分类任务中,该方法可以充分利用目标域中的少量标注数据并有较好的分类性能。（2）面向无标签分类任务,提出了一种基于双向循环生成对抗网络的迁移学习方法。构建了双向循环生成对抗网络,充分利用源域和目标域信息,在两个方向上进行数据分布转换,生成的中间域起到数据增强的作用;另外提出了基于类级别域间差异的跨域对齐方法,在跨域分布对齐过程中防止类别信息丢失。通过仿真实验对所提方法进行分析验证,证明了该方法的优越性和创新性。在无标签分类任务中,该方法在尽可能对齐源域和目标域的数据分布的同时保留其内部结构,有较好的分类表现。