随移动互联技术飞速发展,文本类信息爆发式增长,促进基于文本信息的信息安全研究快速发展,包括在邮件过滤、网络安全事件追踪、网络舆情分析等方面广泛应用。时间推移、数据采集条件变化等因素导致数据分布不断变化,致使以“训练/测试数据拥有共同特征空间和相同数据分布”为假设的传统机器学习在现实场景中受严重限制。迁移学习通过对数据、模型等进行适当处理,保证模型在上述情况下的训练效果,从而能更好解决实际信息安全应用中的文本分类任务。本文重点研究异构迁移技术如何挖掘异构领域之间的相关知识,从而更深入地促进目标领域文本分类任务的学习。首先,本文提出基于语义相关性的特征空间构造方法。利用word2vec建立两域特征词汇的向量,以向量间的余弦值表征特征相似性,提取两域相同特征词汇及相似性高于预设阈值的特征对,共同构成两域同构特征空间;经实验验证,该方法取得的分类准确率较未引入语义相似特征的方法平均提升3个百分点。接着,本文提出局部保留分段式异构投影算法。传统线性判别分析投影算法投影后,特征维度降为(分类类别数-1),应用到文本领域会导致大量有用信息丢失,通过分段式投影,使投影后的特征维度可控,更适用于特征空间高维的文本领域;引入局部保留投影算法,解决投影中对样本间局部结构信息破坏的问题;对目标域已标注样本作加权处理,平衡两域样本比例差异过大的问题;经实验验证,该方法在所选两个数据集上取得的分类准确率,较传统机器学习方法平均提高近10个和7个百分点。最后,本文将前两点结合,通过连接互联网的API拓宽目标域中训练数据的来源,设计并实现了应用于实际场景的基于异构迁移学习的文本分类系统。