在大数据时代,数据通常以高速和不断变化的形式生成。在实际应用场景中,数据通常以无标签的形式存在。数据量大且形式多种多样的特性使得人类专家不可能在有限的时间内为每一个样本打上正确的标签。与此同时,标记所有样本非常耗时且成本昂贵,有时甚至非必要。因此,半监督学习技术非常适合处理这些数据。然而,由于数据不断变化的特性使得样本服从同分布这一假设在实际应用场景很难得到满足。分布不同的数据间却有着相关性,我们可以充分利用这些相似的源域数据来辅助目标域快速且准确地构建模型。因此,我们关注一种新的半监督归纳迁移学习范式,即源域、目标域的数据均包含有标记和未标记样本,同时两个域之间数据分布不同但相似。这一学习范式是更加符合真实的应用场景,如在计算机辅助诊断系统应用中,医学专家仅能够仔细诊断少量医学图像。另外,由于设备的老化或升级,先前采集的医学图像很可能与当前采集的医学图像的分布不再相同。因此,半监督分类及迁移学习场景面临如下两个主要挑战:1)如何挖掘少量标记样本和大量未标记样本中隐含的知识训练得到一个泛化能力好的分类模型;2)如何从源域和目标域中的标记与未标记样本有效地学习,以实现对目标域中样本的更准确的分类。综上考虑到半监督分类及迁移学习问题的研究价值和带来的挑战,本文的研究内容总结为如下两个方面:第一,针对现有半监督分类基于分歧的方法中集成模型不能很好地权衡组件分类器的分类准确率与多样性之间关系。本文提出一种基于进化学习的半监督分类算法,称为Tri-Evolving。初始时,由生成算法基于给定的训练数据集生成三个树的种群,并从每个种群中随机挑选一个个体树作为组件分类器。然后,依次在对应的种群中重新进化每个组件分类器,其进化方向由其他两个组件分类器所诱导。具体而言,TriEvolving算法能利用多种群协同进化算法的优势去优化组件分类器的平均分类准确率与多样性。它通过保持平均分类准确率不断增加的同时尽可能减少分类器间多样性的下降,以有效地平衡学习过程中这两者之间的关系。大量的实验结果验证了TriEvolving算法的优势。Tri-Evolving算法的创新性主要在于:利用多种群协同进化算法权衡集成模型中组件分类器的平均分类准确率与多样性之间的关系,即通过保证平均分类准确率增加的同时尽可能不损失分类器间的多样性,从而诱导出泛化能力好的集成模型。第二,针对现有半监督迁移学习方法假设源域是标记完备的数据或者是已训练好的模型。我们放宽了这一严格的假设,即源域和目标域均是半监督设置且数据分布不同。基于此,本文结合半监督学习与迁移学习,提出一种新的半监督归纳迁移学习框架Co-Transfer。它首先生成三个TrAdaBoost分类器用于实现从源域到目标域的迁移学习,同时生成另外三个TrAdaBoost分类器用于实现从目标域到源域的迁移学习。这两组分类器都使用从源域和目标域中原有标记样本的有放回抽样来训练。在CoTransfer的每一轮迭代中,每组TrAdaBoost分类器使用新的训练集更新,其中一部分是原有的标记样本,一部分是由本组分类器标记的样本,另一部分则是由另一组TrAdaBoost分类器标记。迭代终止后,把从源域迁移到目标域的三个TrAdaBoost分类器的集成作为目标域分类器。在UCI数据集和文本分类数据集上的实验结果表明Co-Transfer可以有效地重用源域数据并探索两个域的标记和未标记样本来提升泛化性能。Co-Transfer算法的创新性主要在于:1)首次提出了一种源域和目标域都只有部分样本被标记的半监督归纳迁移学习类型;2)提出了一种新的半监督归纳迁移学习框架。该框架在源域和目标域之间执行双向同步的半监督学习和迁移学习,它能很好地适用于源域和目标域都仅有部分样本被标记的迁移学习且不需要特定类型的分类器;3)提出在两种情况下,即扩充源域和目标域标记样本集时,使用一定的策略来限制错误伪标记样本所带来的消极影响。