迁移学习用于解决传统机器学习中由于目标数据稀缺导致难以学习精确模型的问题,其主要思想是利用源领域中大量的辅助数据帮助目标任务的学习。然而现有的迁移学习方法大多用于解决有监督学习问题,并且通常假设源领域和目标领域具有相同的特征空间,不能同时处理多领域知识迁移问题。为此,本文提出一种基于联合非负矩阵分解的迁移学习方法,用于解决异构领域下的无监督迁移学习问题。为了应对源领域和目标领域中的数据噪声,本文在首先传统的非负矩阵分解模型中引入带₁范数约束的误差矩阵,用于捕获原始数据中稀疏分布的噪声和异常值,使得学习到的公共特征空间更加准确;同时,为了保持各领域数据的固有几何结构,本文在鲁棒非负矩阵分解模型中施加流形约束,以此控制矩阵分解过程的平滑性,避免造成因知识迁移对各领域数据固有几何结构的破坏。基于以上改进,本文进一步将基于图正则化的鲁棒非负矩阵分解模型扩展为联合矩阵分解的形式,并利用数据间的共现关系将多个异构领域的数据映射到一个公共特征空间中,以此作为各异构领域知识迁移的桥梁。此外,本文还提出一种基于迭代更新的策略,对所述联合非负矩阵分解问题进行求解,并对具体的更新规则作了详细的推导。为了对所述异构共迁移聚类算法的有效性进行验证,本文选择了一些典型的单领域聚类算法和一些具有代表性的异构迁移学习算法,并在两个真实的数据集上进行了详细的实验评估和对比。实验结果表明,本文所提出的基于联合非负矩阵分解的异构共迁移聚类算法相比于其他算法实现了更好的聚类性能,并且具有更强的鲁棒性,能够有效地解决异构领域下的无监督迁移学习问题。