在传统的机器学习中,学习任务是在给定充分训练数据的基础上来学习一个分类模型,然而一些新出现的领域很难获得充分的训练样本。其次,传统的机器学习假设训练数据与测试数据服从相同的数据分布,但对于实际应用这是一个苛刻的条件。一个常见的情况就是训练数据过期。如果重新标注训练样本将花费高昂的代价。其次,完全丢弃现成的、即使是在不完全相同分布下的训练数据,也是非常浪费的。迁移学习就是利用相关领域中的可迁移性知识来帮助完成目标领域中的学习任务,达到降低目标领域对标签数据的需求以及提高目标领域学习效率的目的。基于样本实例的迁移学习方法,是通过在相关源领域中寻找样本子集并进行迁移来完成目标领域的学习任务。然而,现有的实例迁移学习算法在样本权重、目标领域未标注样本和每次迭代得到的基分类器的利用方面还存在不足。本文针对这些不足进行如下三个方面的工作。第一,针对单源数据,本文对TrAdaBoost算法进行改进。该方法使用迭代所得的基分类器在源领域和目标领域上的误差对样本权重进行更新。实验分析证明算法的有效性。第二,针对多源数据,提出了一种基于特征距离的多源迁移学习算法。本文首先定义样本到领域的特征距离,并基于源领域与目标领域的之间协方差计算特征距离。根据特征距离,算法对源领域样本进行筛选并赋予相应权重。其次,我们用动态因子改进迭代过程。在该算法中,目标领域中的非标签样本以及基分类得到更充分利用,并且源领域样本中的权重下降过快的问题也得到进一步改进。在Letter-recognition数据集和20newsgroup数据集上,本文分别从源领域筛选样本大小、源领域个数和目标领域带标记样本数量三个方面对算法分类正确率、时间效率和整体性能的影响几个方面进行了详细的实验分析。实验分析验证算法和现有方法相比有一定的优越性。第三,本文将基于特征距离的多源迁移学习算法应用到跨领域情感分类研究中,实验证明本文算法的可行性。