迁移学习(Transfer learning,TL)方法是一种机器学习方法。迁移学习利用来自于多个域(Domain)的数据,并且将源任务(Source task)上的知识(knowledge)迁移(Transfer)到目标任务(Target task)的学习中。迁移学习在机器视觉以及自然语言处理方面,具有很广泛的应用。此外,作为一种机器学习方法,迁移学习也可以应用于信息物理融合系统(Cyber Physical Systems,CPS)。基于多任务支持向量机(Multi-task support vector machine,multi-task SVM)方法以及字典学习(Dictionary learning)方法,本文提出了一种针对多源域情况下,融合了字典学习的迁移学习算法,称为融合字典学习的多源域迁移学习算法(Multi-source domain transfer learning method fusing dictionary learning,DMSTL)。其中,字典学习用于学习到一个具有判别力的稀疏表示,并且多任务支持向量机用于将多个域的知识进行迁移,从而提高在目标域上的目标任务的效果。此外基于交替凸化搜索(Alternate convex search,ACS)的优化算法,提出了一种并行化计算方法,用于提高算法的实时性,并且进一步提出了一种称为并行化融合字典学习的多源域迁移学习算法(Parallel multi-source domain transfer learning method fusing dictionary learning,PDMSTL)。用于优化本文提出的算法的参数,进而得到一个最优的PDMSTL方法。本文工作的主要贡献包含了如下三个部分:第一,本文在多源域的情况下提出了一种称为融合字典学习的多源域迁移学习方法。在提出的DMSTL方法中,运用了字典学习技术,确定了来自多个域的样本之间的内在关系。并且通过字典学习方法,得到了与每一个样本相对应的更具判别性的稀疏表示,并利用此稀疏表示,用于多个域上的学习。并以此来提高在每一个域上的学习的效果。第二,本文利用了多任务支持向量机方法,通过共享参数,实现了域间的知识的迁移,进而促进在目标任务上的学习效果。此外,在不同的域上的学习任务中加入了域特定(Domain-specific)参数,此参数与共享参数共同用于确定域内样本之间的关系。第三,本文考虑了CPS的特点,提出了一种称为并行化融合字典学习的多源域迁移学习算法。在交替凸化搜索的优化算法的基础上,提出了一种并行化计算的优化方法以及其相关的收敛性证明。该收敛性证明表明,本文提出的并行化优化方法能确保方法的收敛性。进一步说明,本文提出的PDMSTL算法是一个可行的方法。在此之后,本文组织了大量的实验评估本文提出的方法性能。实验中,在公开的图像,文本数据集上实施了本文提出的方法,并且与现有的迁移学习方法进行比较。实验表明,本文提出的DMSTL以及PDMSTL方法与现有的方法相比具有较好的性能。