伴随着近几年计算机科学技术以及大数据产业的迅猛发展,数据科学已经逐渐成为了信息技术和互联网产业的新的驱动力,面对爆发式的数据增长现状,如何挖掘数据中存在的信息价值以及如何对数据信息所隐含的模式进行分析成为了数据科学亟待解决的关键问题,而机器学习作为一种数据挖掘手段,可以通过统计学的相关理论和技术对数据进行有效地建模,目前,不论是在理论研究上还是实践应用方面,机器学习都取得了巨大的进步发展。但是目前机器学习也存在其弊端,机器学习方法往往需要足够多的有类别标签的样本数据作为训练数据集才可以结合统计学方法建立机器学习模型,这一类的机器学习方法统称为监督式机器学习方法,而在实际生活中,有些领域的数据可能难以获取甚至无法获取,此时传统的机器学习方法就无法奏效,因此,如何在领域数据不足的情况下建立良好的领域模型成为了近几年机器学习研究领域极为关注的问题,针对这个问题,研究者提出了实用迁移学习的概念。迁移学习作为一种跨领域的机器学习方法,能够将一个领域的知识迁移到另外一个相关但却不同的领域进行目标领域的建模。但是传统的迁移学习往往仅从一个源领域学习先验知识并将之迁移到目标领域,考虑到现实状况中解决一个特定问题实际上可以从多个领域获取到先验知识。在这个学习过程中要解决的关键问题是找数据,找到源领域中和目标域中相关性强的样本数据。而从单源域中找出的与目标域中相关性强的数据很可能存在着数据分布不相同的情况,这时候会造成负迁移现象的产生,即迁移学习非但不能够帮助目标域学习到较好的模型,反而对目标域的学习产生了负面影响。本文的创新处在于本文建立了针对多源领域的迁移模型,拟学习到多个领域的隐含信息并辅助目标领域建立模型。该面向多源域的迁移学习模型创新性地设计了两个子模块,分别是半监督学习模块和集成学习模块,其中,半监督思想的引入是为了更好地利用目标领域中的无类别标签样本,而集成学习则是更好地从不同角度挖掘有用的领域知识并对其决策性能进行加权融合。通过将该模型应用在Letter-recognition、20 newsgroup和Reuters数据集上并进行实验测试,得到了比单源域、非集成机器学习方法以及非半监督机器学习方法更好的预测结果,验证了迁移学习比传统机器学习可以更好地利用先验知识来解决目标领域任务。