传统的数据挖掘方法假设训练数据和测试数据服从相同的数据分布。然而,在许多情况下,这种同分布假设并不能得到满足。当分布发生变化时,传统的数据挖掘方法必须从头开始,需要用户重新收集大量的训练数据。在许多现实世界的应用中,重新收集所需的训练数据和再次训练模型的代价是昂贵的,同时丢弃所有原始领域中的训练数据完全不用也是一种资源的浪费。在这种情况下,迁移学习就变得非常重要了,因为迁移学习可以从现有的数据中迁移知识,来帮助将来的学习。迁移学习是指一个系统认识和运用先前任务中所学到的知识或技能来学习新任务的能力。迁移学习的研究出于这样一个指导信息:人类可以利用先前所学到的知识来更好更快地解决新的问题。因此,迁移学习不会像传统的数据挖掘方法那样作同分布的假设。本文中主要针对迁移学习开展了以下工作的研究:(1)概述了迁移学习的背景知识、基本概念、研究现状以及应用领域,将迁移学习的现有方法总结为四种类型,并详细地分析了各种方法的具体实现以及当前的应用;(2)为了使迁移学习能够完全没有标记数据的目标领域,本文提出了基于Logistic回归的直推式迁移学习方法(TTLR),使得分类器在训练样本和测试样本分布不同的情况下能够适应于目标领域。实验表明,与传统的监督式分类算法相比,该方法是有效的,并且能够取得更好的分类效果。(3)为了能同时处理多个不同的分布,本文给出了基于Logistic回归的多领域直推式迁移学习方法(MTTLR),来解决同一时间多领域的知识迁移问题。实验表明,该方法是有效的,且相较于传统的监督式分类学习算法和以往的一些直推式迁移学习方法,该方法显示出了更高的准确性。