生物大脑具有多层次的网络结构,该结构可以对信号的特征进行逐层变换和抽象,以此提高对复杂问题的处理能力。根据这种思想,研究者提出了深度神经网络及其学习算法。但是对于具有复杂结构的深度神经网络的构建与学习,一方面,构建深度神经网络时所需参数较多,有效的参数初始化非常关键;另一方面,在面向海量数据进行学习时,深度神经网络的训练过程中的计算量较大。当研究者利用深度神经网络解决实际问题时,无法在初始时确定合适的深度神经网络结构和参数空间,需要进行反复测试与迭代训练。因此,得到有效的深度神经网络模型非常困难,并且需要花费大量的时间。针对以上问题,本文受记忆复制和知识迁移等思想的启发,研究基于记忆复制的深度神经网络转移学习算法,并将其应用于基于脑电数据的癫痫疾病辅助诊断系统。本文的主要研究如下:（1）根据神经网络中知识迁移的不同模式,分析比较了深度神经网络的迁移学习与转移学习之间的差异。迁移学习方法主要包括基于样本的迁移学习、基于模型的迁移学习以及基于特征的迁移学习等,并对这些方法进行了分析。然后,结合记忆复制和知识迁移的思想,针对两个不同规模的神经网络模型,提出了转移学习的思想。转移学习是将具有问题求解能力的小规模神经网络模型中的知识信息复制转移到规模更大的神经网络模型中,加速大规模神经网络训练过程的方法。最后,对迁移学习与转移学习进行对比分析,给出了转移学习与迁移学习间的共性与差异。（2）针对两个拥有不同规模的神经网络结构,提出了基于记忆复制的深度神经网络转移学习算法。首先,对小规模的原始网络在数据集上进行训练,得到原始网络最终的连接权值和神经元的偏置参数。其次,使用提出的三种不同的权值复制方法,将已训练的原始网络中的权值导入大规模的复制网络,使得复制网络在未训练时即可获得初始的网络权值,并具有一定的对具体问题的求解能力。最后,对复制网络在相同数据集上进行训练,通过较少的迭代次数达到良好的学习性能。通过MNIST和fashion-MNIST分类实验,验证基于记忆复制的转移学习的训练效果。分析不同参数和不同权值复制方法在实验中对分类结果的影响。实验结果表明,在不影响分类准确率的情况下,基于记忆复制的转移学习可以有效的提高复杂深度神经网络的训练速度。（3）将转移学习算法应用于脑电数据癫痫分类,设计并开发了癫痫疾病辅助诊断系统。模型通过MAS（Mean Amplitude Spectrum）特征计算和预训练模型对脑电数据进行特征提取,再使用基于记忆复制的转移学习进行特征学习。将基于转移学习的癫痫分类模型应用于CHB-MIT数据集中进行癫痫发作预测实验。应用癫痫分类模型,实现癫痫疾病辅助诊断系统,该系统对脑电图数据处理后获得特征,通过分类算法给出预测结果。该系统可以重新设定网络结构参数,并使用基于记忆复制的转移学习重新快速训练模型,以此优化模型,提升对癫痫预测的准确性。系统操作性简单,在癫痫预测方面可以缓解医生诊断压力,具有一定的实用价值。