迁移学习是机器学习领域中新兴的框架,放宽了传统机器学习的两个基本假设,近年来受到了广泛关注。现有的关于迁移学习框架下不平衡分类问题的相关工作,主要集中于单源迁移研究方面,存在的潜在问题是可迁移信息较少,甚至可能会产生“负迁移”。针对已有迁移学习框架下不平衡分类问题相关研究存在的不足,本文通过引入多源迁移机制,展开了基于多源的迁移学习非均衡分类研究。首先,针对目标领域和源领域数据分布相似且正负样本不平衡的二分类迁移学习问题,论文提出一种基于多源数据的集成迁移学习非均衡样本分类算法MSTUSC。该方法引入多个源领域数据以避免“负迁移”,采用新的样本初始权重和样本权重更新策略来解决不均衡样本分类问题,并采用冗余样本淘汰机制,适时淘汰多源域中冗余数据,有效降低算法的时空开销。在UCI标准数据上进行实验,采用F1值和AUC值作为评价指标。实验结果表明,本文所提的MSTUSC算法在不平衡数据上的分类性能优于其它几种对比迁移算法。其次,为了改善MSTUSC算法的时间效率,还提出了面向分布式的多源数据的集成迁移学习非均衡样本分类算法DMSTUSC。引入分布式系统,将每个源领域划分到分布式系统的一个节点上,在单个节点上进行单源非均衡样本分类的集成迁移学习算法训练,得到分类模型,最终将每个节点训练得到的分类模型进行集成,得到多源数据的集成迁移学习非均衡样本分类算法。通过实验分析可知,同MSTUSC算法相比,DMSTUSC算法的时间效率明显提高。