正样本未标记样本学习（PU learning）是研究在模型的训练阶段只通过正样本和未标记样本来训练二元分类器的问题。最近,PU学习已经在许多领域得到了广泛的研究和应用,但是目前现有的研究大多数都是利用单个域的知识来构建分类器进行预测,由于PU学习场景下样本数量较少,模型难以取得较好性能。此外,PU学习属于半监督学习问题,无法在训练阶段计算模型的分类误差,所以现有的PU学习方法都未能使用boosting算法的思想来提升分类器性能。基于上述问题,本文提出了一种基于Adaboost的迁移学习方法来解决PU学习问题,简称Ada TLPU。第一步,为了在源域和目标域得到负样本,我们从不带有负样本的PU学习数据集中提取可靠的负样本。第二步,对于模糊样本,我们利用相似度模型让其能在决策边界中更好的发挥作用。然后,根据相似度权重和共享SVM参数及正则化项的迁移学习,得到了本文的目标方程。在该模型中,通过共享支持向量机参数和正则化项,将源任务知识传递给目标任务。同时,分类器利用模糊样本对正类和负类的相似度权重,对分类器的决策边界进行细化。此外,我们的方法采用Ada Boost算法对得到的弱分类器进行集成,最终得到一个用于预测的强分类器。在目标方程的优化中,通过引入拉格朗日乘子,将目标方程转换成对偶形式。我们根据样本的相似度权重提出了一种计算PU学习分类器分类误差的新公式。根据这个分类误差计算公式,我们给出了基于Ada Boost的迭代优化方法和相应的训练误差界证明。最后,我们组织实验来探究Ada TLPU的性能,结果表明我们提出的方法比基准线方法取得更好的效果。总而言之,本文的主要贡献如下:（1）本文首次提出了一种将迁移学习和Ada Boost算法运用到正样本未标记样本学习问题中的方法,让源域的知识可以迁移运用到目标域的分类中,提升目标任务的分类效果。同时,我们将未标记样本集合中包含的模糊样本的相似度权重整合到基于迁移学习的分类器中,以便模糊样本可以根据它们的相似度权重对分类器的构建做出贡献。此外,我们还根据样本的相似度权重,提出了一种衡量PU学习分类误差的计算公式,使得Ada Boost算法可以被运用到PU学习问题中。（2）为了求解我们提出的Ada TLPU模型,我们在原问题中引入拉格朗日乘子得到对偶问题来对模型进行求解。另外,我在模型的实现上使用了Ada Boost框架,通过多次的迭代并不断调整基分类器的权重,最终得到性能优良的强分类器。因此,我们可以通过迁移学习和Ada Boost算法来解决PU学习问题。（3）本文组织了一系列实验来探究Ada TLPU模型的性能,结果表明我们提出的方法比基准线方法取得更好的效果。