单细胞转录组测序技术的兴起,将人们的研究聚焦于一个细致的精度——细胞。所属不同类型的细胞构成了人体组织的异质性,而单细胞转录组测序数据从基因表达的水平帮助我们理解与解释单个细胞的性质与组织的异质性。当前基于无监督聚类再通过文献调研进行细胞类型预测的方法在面对日益增长的数据规模需要耗费大量的时间。而随着单细胞测序技术的发展,一个关键的分析挑战是如何充分利用已有信息整合成的参考图谱以更好地对新的测序数据的细胞类型进行识别。在这里,我们提出了一个新的迁移学习算法,通过对参考图谱和新的测序数据分别构建神经网络以实现数据降维和类标迁移的目的。对于参考图谱数据,基于深度分类模型构建维度递减的三层非线性神经网络以获得参考图谱数据的编码特征并以此训练分类器;对于新的测序数据,构建自编码器以保存数据原始的全局结构并且利用自编码器学习的编码特征完成细胞类型的预测;建立属于相同类型的样本的分布应趋于相同的假设将参考图谱的类别信息迁移到新的测序数据中以获得新的测序数据的细胞类型信息。我们通过在人类胰腺组织数据集和人类外周血单核细胞数据集上实验发现本文方法的学习过程对于由测序技术和平台导致的批次效应有一定的校正作用,本文方法对数据做的降维处理可以获得对聚类或分类任务更加友好的低维空间表示,并且通过与现有的细胞类型预测方法的比较可以看到,面对数据分布不平衡的情况,在预测精度上本文方法明显强于现有方法,并且对于数据集中的稀有类型也有较强的预测能力。总而言之,本文方法是一个针对单细胞转录组测序数据可以实现降维,批次效应校正与细胞类型预测的迁移学习方法。