迁移学习受到了越来越多的关注.迁移学习打破了常规的机器学习和数据挖掘技术的假设,即对未来数据与训练数据在同一特征空间内或具有相同分布的.迁移学习是利用不同空间域的数据来使得目标任务的学习效率和准确率得以提升.在过去的十年中,许多迁移学习算法被提出.现有的迁移算法大多假设目标任务和源任务之间的共享参数是通过融合人类知识得到的.但是由于目标任务和源任务之间存在差异,出现存在以下情况:目标任务和源任务之间存在的不相关知识会导致“负迁移”,迁移不相关知识有可能使得目标任务的学习准确率降低.即不同域之间只有部分知识是相关的.在许多实际应用中,哪些参数可以共享是事先未知的.因此,本文计划将迁移学习问题转化为多目标优化问题进行求解,做了以下工作.提出一个基于进化多目标优化的迁移学习模型,再设计一个基于分解的加权指标进化多目标优化算法（Transfer Learning with Evolutionary Multi-objective Optimization,TL＿EMO）,TL＿EMO利用目标空间不同区域的收敛方向不一样,且在计算指标(I⁺_SDE)时,将区域的方向向量看作是权重向量,使得每个分区的收敛方向都是相对正确的.保证了解的多样性,也就是保证了目标任务和源任务之间不同程度的互相学习.TL＿EMO的群搜索能力也使得每个学习任务都能学习出一个更优的模型参数.实验结果也表明该算法可以提升了迁移学习的性能,以及判断出促进正迁移的公共参数.对进化多目标优化的迁移学习模型进行改进,提出了一种基于多群协同粒子群优化的迁移学习参数自动共享技术（Transfer Learning with Particle Swarm Optimization,TL＿PSO）.每个任务目标分别由一个子群同时优化.目标任务子群中的当前最优粒子用于指导源任务粒子的搜索,反之亦然.目标任务和源任务是通过共享最佳粒子的信息来共同解决的,这是一种归纳偏差.实验结果表明了该算法（TL＿PSO）有效地提升迁移学习的准确性,以及判断出促进正迁移的公共参数.