传统机器学习中,通常假设训练数据与测试数据的分布具有一致性,而且训练数据是基本充足的。随着机器学习的广泛应用,遇到的很多问题中训练数据与测试数据分布不同,或者可用的训练数据不足以训练一个好的分类器。迁移学习是解决这类问题的方法之一,该领域的研究具有较高的学术价值。迁移学习算法因为显著提高了学习效果而被广泛研究和使用。但是研究发现算法的权值更新策略会导致训练样本整体上的权值漂移问题,而且算法对源域和目标域样本分布相似性要求较高。论文改进了权值更新策略,在每一轮训练中,同时利用每一轮源域和目标域样本上的误差来更新训练样本的权值,再进行下一轮迭代训练。迭代完成之后,再用集成学习的方法得到一个较好的分类器。给出的新方法改善了迁移学习算法的权值漂移问题,而且减弱了源域和目标域相似性较高的约束。在很多实际问题中,可以用多个不同的方法或从不同的角度对同一事物进行描述,这些不同描述就构成了事物的多个不同视图。研究视图间的关系来帮助迁移学习具有一定的理论意义。论文利用典型相关分析处理训练数据,利用特征融合方法组成新的视图,再进行迁移学习。给出的算法利用了多视图数据间的关系,改善了迁移学习效果。协同训练是多视图问题中的经典方法,协同训练和迁移学习的结合具有研究价值。论文利用协同训练的思想,在迁移学习每一轮的训练过程中,在两个视图上进行协同更新训练样本权值,再进行下一轮迭代训练,最后用集成的方法得到一个较好的分类器。给出的基于协同训练思想的多视图迁移学习算法较好的利用了协同训练的思想,改善了权值更新效果,提升了整体上的分类器性能。