随着我国城镇化进程不断推进,城市土地经济在国民经济中占比越来越重,其核心是城市住宅地价,因此对城市住宅地价准确、及时地评估具有重要现实意义。传统城市住宅地价评估方法具有周期长、低效率、误差大等缺点。住宅地价数据常具有不平衡性、数据量小等缺陷,因此提出一种适合住宅地价数据特征的快速评估方法很有必要。本论文针对住宅地价数据总量少、类别分布不平衡等缺陷,提出一种基于迁移学习的地价特征提取方法,并使用不同的地价评估模型进行精度评定,探索出适合地价评估的模型与方法。本论文主要研究工作如下:(1)针对传统的地价特征选取不足性以及特征量化主观性,本论文从商业、交通、教育、基础设施、环境以及其他综合因素入手,构建了覆盖面广的住宅地价影响因子体系。并结合各影响因子的特点及其与住宅地价的关系,建立了深圳市住宅地价因子量化体系。(2)本论文提出了一种解决训练数据总量小的特征提取算法。通过引入迁移学习技术,考虑房价特征与地价特征相关性,将房价特征迁移到住宅地价特征提取中,解决了原来地价数据总量小、特征提取困难等问题,实现对住宅地价的高精度评估。(3)在使用主成分分析方法提取地价特征过程中,本论文改变了惯用特征值大于1的主成分选取方式,采用对不同主成分进行交叉验证的方式,探索出适合住宅地价分类的主成分。(4)根据本论文提出的迁移学习特征提取方法,首先基于房价数据和深度置信网络(DBN)进行特征提取器训练,然后使用房价DBN模型进行地价特征提取,最后选取了三种常用的地价分类模型(支持向量机、BP神经网络、随机森林)对提取的地价特征进行分类精度分析,验证了基于迁移学习住宅地价特征提取算法的有效性,得出了随机森林分类模型更适合于城市住宅地价分类评估的结论。本论文对住宅地价特征提取方法进行改进,实验结果表明基于迁移学习的地价特征提取算法较常用的主成分分析提取方法、线性归一化方法具有更好分类精度,分别提高了10.9%和4.73%的平均精度,最优的特征集分类精度达90.28%,因此,本论文提出的住宅地价评估算法能满足实际地价评估精度。