如何有效地利用来自多个源域的决策知识来预测目标域中样例的标签是一个具有挑战性的问题。本文对于这一问题进行研究,主要工作分为以下三个方面:1)针对域层面和样例层面迁移信息的协同利用。本文提出了一种新的双加权多源迁移学习框架,称为DRMTL。DRMTL的目标是同时优化结构风险函数、域加权迁移适配、点加权迁移适配和流形一致性。DRMTL的优点包括:(1)利用所提出的灵活加权指数可以评价每个源域的重要性;(2)利用域分离器,可以对目标样例预测标签的损失函数进行重加权;(3)通过使用流形正则项,可以发掘目标域的流形结构。最后,利用DRMTL框架和均方损失提出了一种具体的学习算法DRM-RLS。在几个真实数据集的实验结果表明该方法的有效性。2)为了能更好的利用Universum数据,并且在模型训练过程中避免大规模矩阵求逆。本文提出了联合ε-不敏感准则和Universum学习的多源迁移方法MTL-BDI。将全体源域样例用作Universum数据,并依据这些数据与目标分类面的相近程度进行加权,使它们能更好的引导目标分类面的确定。同时,基于ε-不敏感损失的稀疏正则项相结合,避免了对大规模矩阵求逆。并给出算法的收敛性证明。在文本、图像的多源迁移学习任务上的系统实验证明了该方法的有效性。3)为了有效地迁移学习多个源域中的脑电图癫痫信号,提出了一种将多源迁移学习和流形正则化学习机制结合到TSK模糊系统中的多源迁移学习方法MS-TL-TSK。具体来说,MS-TL-TSK的优点包括:(1)基于香农熵理论提出了多源域的自适应重加权策略,可有效地控制各源域的迁移重要性程度;(2)使用样例层面的迁移学习机制;(3)考虑到流形正则项项,目标域的流形结构在提出的模型中得到有效的保持;(4)因为继承了TSK模糊系统的学习机制,MS-TL-TSK具有很好的可解释性,可以被领域专家理解。通过几个癫痫EEG多源迁移学习任务,验证了该模糊系统的有效性。