随着计算机硬件的快速发展与数据规模的快速增长,机器学习与数据挖掘的理论取得了长足的发展,在工业领域也取得了巨大的成果.当数据量很小且无法获得更多的数据时,传统机器学习方法通常并不能取得理想的结果,而迁移学习就是解决这一问题的核心方法.迁移学习利用来自源域中有标签训练数据的知识来提高模型在目标域中的性能,其中目标域中几乎没有标记的目标训练数据.目前,大多数迁移学习方法假设源域和目标域由相同的特征空间构成,这大大限制了它们的应用.近年来,针对这种局限性,研究者提出了异构迁移学习方法,这也是目前迁移学习领域的研究热点.在异构迁移学习中,源域和目标域之间的特征空间是不等价的,并且通常是不重叠的.大多数异构迁移学习方法都是进行变换特征空间,变换方案分对称变换和非对称变换.不论是对称变换还是非对称变换,现有的异构迁移学习方法都存在着优化目标为非凸、构造的公共子空间丢失信息、领域适配信息损失等问题.针对上述问题,本文提出一种基于流形对齐的半监督领域适配方法.该方法利用半监督流形对齐,在保持数据信息的前提下找到源域和目标域的最优公共子空间,然后利用结构风险最小化原理,加入正则项避免过拟合,最后将联合动态分布适配问题转化为一个凸优化问题,通过求解凸优化问题找到最优分类器.在该方法中,流形对齐能够改善在构造公共子空间时丢失信息的问题;联合动态分布适配能够减少领域适配过程中的信息损失;最后的优化问题为凸优化问题,保证了计算结果为全局最小值.在多个数据集上的实验表明,该方法具有更好的性能,并且能有效解决其他现有方法存在的问题.此外,本文还给出了该模型误差的泛化上界,证明了模型的稳定性.