随着科技的进步和人工智能的发展,科学工作者们越来越重视从海量的数据中提取和分类数据。但是我们在工作的过程中发现,数据集中无标签的数据的数量非常多而有标签的数据非常少。并且在数据的提取分类的过程中,人工标记数据方式非常的耗时,这就限制采用人工标记数据的行为方式,也限制了在实验中带标签数据样本的数量。针对这种情况,迁移学习正好解决数据集缺失的问题。迁移学习可以利用相关领域的大量的未标记过的数据来帮助目标领域中少量的标记数据的学习,在经过最近十几年的发展,各种基于迁移学习的算法被提出,目前已经广泛的应用于机器学习,数据挖掘等其他领域。传统的AdaBoost算法是对特征的权重进行迭代,对于分类正确的,赋予较低的权重值,对于错误分类的,赋予较高的权重值。近年来,人们在AdaBoost算法的基础上提出了基于TrAdaBoost迁移学习算法来解决训练集数据过少的问题。然而在实验的过程中发现,TrAdaBoost算法在迁移的过程中源域的权值会出现两极分化等问题,影响着权重迭代的进行。本文提出了一种基于聚类动态TrAdaBoost迁移学习算法来研究分类的问题,主要的研究内容如下:(1)针对迁移学习过程中的问题,详细的介绍了基于聚类动态TrAdaBoost迁移学习算法,包括其基本思想,训练过程,算法具体的流程以及实验的过程。(2)针对TrAdaBoost算法出现的权值问题,提出通过在迁移学习过程中加入动态因子的方法,在源域的权重更新过程中,根据在目标域中的误差,添加一个动态参数来动态的调整。(3)在迁移学习实施的过程中,源域能够帮助目标域的学习,但是在源域中存在着大量的极不相似的数据,在迁移的过程中,这会极大的干扰分类的精度。考虑到这情况,我们提出通过聚类算法来对源域的数据进行清洗,从而达到提高我们分类的精度的目的。在本文中,我们介绍了聚类动态TrAdaBoost迁移学习算法,我们通过在20Newsgroups数据集上进行实验,来证明本文提出的算法的有效性和可靠性。然后将其与传统的AdaBoost算法和TrAdaBoost算法在数据集中进行比较,证明本算法精确度更高和更具有优越性。