迁移学习与传统机器学习方法相比较,主要的优点在于,学习目标任务时利用了目标领域之外的其他领域的知识,无需满足训练数据与测试数据符合同一分布这一要求。随着移动电子产品的日益普及,部分少见或未知的图像逐渐出现在人类的视野中,直接使用传统机器学习方法对这些图像进行学习,会面对样本不足、样本可信度低等问题。迁移学习的提出有效地解决了这一系列问题,并逐渐成为研究者们的主要关注点之一。论文从迁移知识的表达形式出发,分别从模型参数迁移、特征迁移以及实例迁移三个方面进行了讨论研究,主要内容如下:(1)在模型参数迁移方面,论文设计了一种具有模型参数迁移能力的改进LS-SVM算法。在传统LS-SVM的基础上,增加迁移项,使改进算法不仅能保持传统LS-SVM算法最大化几何间隔的优点,又能尽可能通过源领域的分类模型参数线性表示目标领域的分类模型参数,实现迁移过程。为了能够合理使用多个源模型参数,通过留一法获得多个源模型参数的最佳迁移权重,即:线性组合的标量。(2)在特征迁移方面,论文提出通过成对距离信息和重构权值信息获得源特征的流形几何结构作为迁移知识。在文中,将复杂的、图像描述能力强的特征作为源特征;简单的、图像描述能力弱的特征作为目标特征。通过迁移知识协助目标特征学习一个映射矩阵。通过该矩阵,新目标特征在保持维度不变的情况下,其流形几何结构与迁移知识尽可能保持一致。流形几何结构对于每个数据点来说,与它的近邻点有着密不可分的关系。通过标签信息,适当放大数据点与同类邻居的距离信息,缩小与不同类邻居的距离信息。(3)在实例迁移方面,提出一种改进的多源Tr Ada Boost算法,通过弱-较强-强层层递进的方式,学习目标强分类器。首先,通过Bootstrapping算法对目标领域的样本进行重采样,形成若干个与目标领域样本容量一致的目标子样本集,每个源领域样本集与全部目标子样本集依次合并,并学习相应的弱分类器;其次,将每个源领域对应的所有弱分类器线性连接获得对应的较强分类器,再将所有的较强分类器连接获得目标候选分类器;最后,通过目标候选分类器更新所有样本的权值并用于下一轮迭代,直至迭代结束,获得目标强分类器。实验采用了公共图像数据集Caltech-256、Scene-15、Event-8、CURe T-61对本文提出的算法进行图像分类验证,证明本文算法具有良好的分类效果。