由于数据量的大规模增长,数据中心的存储规模越来越庞大。硬盘作为主要的存储介质,一旦故障会给用户和企业带来巨大的损失。为了提高存储系统的可靠性,在过去的几十年里,许多机器学习方法被广泛用于硬盘故障预测。然而这些方法通常建立在有足够的标记SMART数据的基础上,而存储系统中通常存在大量的不同型号的硬盘,有些硬盘型号的SMART数据并没有标记,缺乏标记数据的情况下很难训练一个可靠的模型。并且不同硬盘型号的SMART数据分布存在差异,传统的机器学习方法无法训练一个通用的模型。针对以上问题,迁移学习成为一种有效的解决方案。迁移学习可以利用其他硬盘型号有标记的SMART数据（源域）帮助目标硬盘型号无标记的SMART数据（目标域）训练故障预测模型。本文针对单源域和多源域这两种情况研究了两种深度迁移学习方法。针对只有一个硬盘型号的SMART数据可以作为源域的情况,本文提出了一种基于迁移学习和主动学习的硬盘故障预测方法。首先,通过迁移学习减少源域硬盘型号的SMART数据和目标域硬盘型号的SMART数据之间的分布差异,这样就能利用源域中的标记数据训练的故障预测模型对目标域中的硬盘进行故障预测,然后通过主动学习选择目标域中最有价值的硬盘SMART样本进行标记,从而在迁移学习的基础上获得性能提升。实验结果证明了该方法能有效地预测硬盘故障。针对有多个不同硬盘型号的SMART数据可以作为源域的情况,本文提出了一种基于源域选择和多源域迁移学习的硬盘故障预测方法。首先通过一种衡量不同硬盘型号SMART数据的分布距离的方法,选出与目标域分布差异较小的源域。然后通过多源域迁移学习方法将每一对源域与目标域的分布进一步对齐,最后用基于源域的标记数据训练得到的分类器预测目标域数据的标签。实验在真实的硬盘SMART数据集上实施,实验结果表明了该方法的有效性。