随着科学技术的快速发展,如何在大量数据中得到有价值的信息逐渐成为机器学习研究的热点问题。迁移学习的提出,突破了传统的机器学习的两个限制条件:训练数据与测试数据必须服从相同的分布规律,而且要有足够数量的训练数据。迁移学习可以利用以前获得的知识更快更有效地解决新的但是要相类似的问题。与传统的机器学习方法相比,迁移学习利用容易获取的源领域中的大量训练数据辅助少量的目标领域的训练数据进行预测模型的训练,从而克服了传统机器学习的缺陷,提高了预测模型的泛化能力,大大的扩展了机器学习可以解决的问题的范围。为了改善现有的迁移学习方法的性能,以更好的处理现实中的知识迁移问题,本文重点研究迁移学习中实例迁移这一领域的相关算法,并针对该领域经典的TrAdaBoost算法存在的问题,包括:源领域权重下降过快;迭代加深后源领域权重过低;基分类器之间差异度较小导致最后集成模型分类效果不理想等问题,做出了四项改进。改进的内容包括:(1)提出了一种基于差分进化的特征选择算法DEFSS,该算法根据训练数据每轮迭代权重分布不同的特点,可以为每个基分类器生成不同的特征子集,在不同的特征子集上训练基分类器可以增加基分类器之间的差异度;(2)为了进一步提高基分类器之间的差异度,为TrAdaBoost引入异构基分类器技术,使用多种分类算法训练基分类器;(3)根据基分类器在源领域的分类误差,为源领域引入权重回补因子以减缓源领域权重下降速度;(4)设置新的初始权重,防止在迭代加深后源领域权重过低。为了验证我们对TrAdaBoost的各项改进是有效的,我们将基于各项改进的算法分别命名为DEFSS-ATrA,DEFSS-HeteroTrA。在标准数据集20Newsgroups和Reuters-21578 上将 DEFSS-ATrA,DEFSS-HeteroTrA 与 TrAdaBoost,DTrA,ATrA进行了对比实验,以验证本文提出的算法DEFSS-ATrA和DEFSS-HeteroTrA的可行性和有效性。实验结果表明,在验证数据集上,改进后的算法DEFSS-HeteroTrA取得了比DEFSS-ATrA,TrAdaBoost,DTrA,ATrA更好的分类准确率,这表明本文对TrAdaBoost的改进是有效的。