迁移学习是一类用于源领域和目标领域分布不同的情形下的机器学习方法,目前学者们已有广泛深入的研究。本文设定数据带有环境信息,提出了一种新的基于分布相似度的模型,该模型致力于充分利用环境信息,在目标领域中进行预测时充分聚焦源领域中最相似环境下的数据,从而实现迁移学习的目的。我们采用了样本权重自适应的迁移学习框架,提出了一种新的样本权重计算方法。为比较本文方法与全局方法的预测效果,本文开展了涵盖多种数据场景的模拟数值实验。实验表明,本文方法在多种数据场景下,效果比直接在全局数据上训练学习器效果更好。我们还进行了关于本文方法在多种配置下的数据分析实验,深入探讨了方法中相似性和参数选择等问题。在本文方法基础上,我们提出了抗干扰变量策略和迁移预警策略。抗干扰变量策略用于数据中存在干扰变量时,更有效地完成迁移学习。迁移预警策略可用于提前判断当前任务是否适合用本文方法进行迁移学习,我们通过随机模拟实验探讨了迁移预警策略的有效性。最后,我们将本文方法应用于乳腺癌复发的预测问题,以阐述本文方法的应用步骤和应用效果。