迁移学习是一种利用从源领域数据中提取的模型对目标领域数据进行辅助训练的方法,旨在解决分布不同以及标记缺失的目标领域训练问题。已有的迁移学习方法大多基于特征表示学习将不同领域中的数据特征映射到一个不变的特征空间,从而增强目标领域训练。在基于特征表示学习的迁移过程中,其目标函数通常需要从多方面来进行领域间的分布差异度量,常见的有边缘分布、条件概率分布以及类别分布。现有的方法对不同的特征差异度量采取固定的静态权重设置,调参困难,且难以获得最优结果。因此,如何根据迁移任务对不同度量标准进行自适应的权重计算是迁移方法中的一个普遍存在的问题。本文基于特征表示学习的迁移学习方法,开展迁移过程中的参数自适应计算方法研究,主要工作如下:（1）基于流形学习框架对边缘分布与条件分布进行度量是一种较为常用的迁移学习方法,其效果受边缘分布和条件分布权重参数影响较大,尤其在域间差异较大的情况下。为此,本文在流形学习框架的基础上设计了动态评估模型,使得其权重分布更为合理。具体来说,通过距离公式对边缘分布与条件分布的权重进行动态评估,并以此调整参数取值。在文本和图像数据集上的结果表明,与传统静态的迁移学习算法进行对比,基于流形学习权重自适应计算的有效性。（2）已有的迁移学习方法表明在域间可迁移性的联合分布基础上,进一步考虑类内可区分性的度量可提高迁移性能。针对联合概率分布中可迁移性和可区分性的权重计算问题,提出根据距离公式对域间可迁移性和类内可区分性进行权重评估,自适应的调整其权重取值。在3个图像分类数据集上的实验结果表明了该方法与传统迁移学习算法相比的优越性。