迁移学习适用于源域数据与目标域数据分布不相同的问题,更具有实际应用价值。迁移学习方法主要有基于实例选择的迁移学习、基于特征表示的迁移学习、基于相关性知识的迁移学习,以及基于参数的迁移学习。本文在传统的支持向量机上进行了改进,给出了基于不同惩罚因子的支持向量机方法。该方法不同于传统的支持向量机为每个样本设置相同的惩罚因子,而是通过为不同的样本设置不同的惩罚因子,使得训练出的模型具有更强的泛化能力。通过使用粒子群算法,为源域样本搜索合适的惩罚因子。源域样本的惩罚因子能反映出源域样本对目标域数据的迁移能力,因此改进后的支持向量机具有迁移学习的能力。多吸引细胞自动机与分类回归树相结合,具有非常好的模式空间划分能力。同时,基于分类回归树的多吸引细胞自动机分类算法也有一些缺陷。特别是当伪用完域比特数据比较大时,就会出现明显的过拟合现象。本文对基于分类回归树的多吸引细胞自动机分类算法作了改进,通过动态自适应地调整伪用完域比特数,解决了过拟合问题。同时,针对多吸引细胞自动机分类算法所使用的离散数据的特点,我们给出了一种更适合多吸引细胞自动机分类算法的模式距离度量方法,该方法充分考虑了离散化后的样本在不同位上取值的统计规律。本文最后研究了基于实例选择的迁移学习方法在多吸引细胞自动机分类回归树上的应用,并分析了其存在的问题。针对目标域少量带标签样本不足以反映整个目标域数据的分布情况,我们给出了一种改进的实例选择方法。该方法充分利用了多吸引细胞自动机分类回归树对模式空间良好的划分能力,在局部模式空间中选择具有迁移能力的实例。对于本文中所给出的改进算法,我们都做了充分的对比实验并验证了改进后的算法的有效性。