随着信息技术的飞速发展,各行各业产生的数据呈现爆炸式增长,且这些数据具有多源、异构等特点。如何对来自不同领域的数据进行知识迁移已经成为学术界和工业界共同关注的焦点问题。为了有效地解决上述问题,迁移学习作为一种新兴的机器学习框架应运而生。其利用一个或多个辅助领域（即源领域）的大量有类标数据的知识,帮助相关却类标稀缺领域（即目标领域）的数据进行学习,进而建立出可靠的学习模型。目前大多数迁移学习的研究主要集中在同构场景中,即源领域和目标领域数据具有相同的特征表示。虽然同构迁移学习的研究已经取得了丰硕成果,但是这些同构迁移学习方法并不能直接应用在异构场景中,即源领域和目标领域数据具有不同的特征表示。在实际应用中,异构场景也较为普遍。例如,源领域和目标领域数据分别是采用不同语言撰写的文章。因此,为了补足同构迁移学习的短板,本文以异构迁移学习为研究对象,围绕单源异构迁移学习和多源异构迁移学习两个层面逐步展开研究。具体而言,本文的主要研究内容和创新总结如下:（1）针对单源异构迁移学习中领域内部判别能力较弱的问题,提出判别式联合分布自适配方法。该方法利用线性特征变换寻找一个最优的公共子空间,使得在此空间中可以同时提升领域内部的判别性以及领域之间的迁移性。在寻找到最优公共子空间以后,最近邻分类器被用于分类目标领域的无类标数据。在多组跨领域分类任务上的实验结果表明,该方法可以有效提升源领域和目标领域内部的判别能力。（2）针对单源异构迁移学习中特征适配与分类交替执行时,最优化过程不太稳定的问题,提出判别式分布对齐框架。该框架在利用跨领域有类标数据学习一个自适配分类器的同时,不仅明确缩减了领域之间分布的差异,而且显示增强了领域内部的可分性。基于该框架,线性投影函数和两种不同的损失函数分别被载入其中,进而衍生出两种不同的方法。在多组跨领域分类任务上的实验结果表明,该框架的分类准确率显著超越了交替执行特征适配与分类的方法。（3）针对单源异构迁移学习中线性特征变换能力有限的问题,提出柔性迁移网络。该网络利用非线性特征变换学习一个最优的公共子空间,在匹配领域之间判别面方向的同时,减小了领域之间分布的差异。为了尽可能消除负迁移的影响,该网络采用目标领域无类标数据的软类标信息对领域之间的条件分布进行对齐。此外,由于软类标的准确性会随着迭代次数的增加而不断提升,因此该网络又引入一个自适应的系数去不断提升软类标的重要程度。在多组跨领域分类任务上的实验结果表明,该网络的分类准确率显著超越了采用线性特征变换的方法。（4）针对多源异构迁移学习中多个源领域较难有效适配的问题,提出条件加权对抗网络。该网络利用非线性特征变换搜寻一个最优的公共子空间,通过对抗地学习特征变换器、领域鉴别器以及分类器来进行适配和分类。此外,为了深入刻画不同源领域的重要程度,该网络引入一个精妙的条件加权机制,其不仅根据每个源领域与目标领域之间条件分布的差异来为每个源领域分配相应的权重,而且减小了所有源领域和目标领域之间条件分布的差异。在多组跨领域分类任务上的实验结果表明,该网络可以较好地将多个异构源领域的知识迁移至目标领域。总体而言,本文紧扣异构迁移学习,分别提出判别式联合分布自适配方法、判别式分布对齐框架、柔性迁移网络以及条件加权对抗网络。在多组跨领域分类任务上的实验结果验证了上述所提方法的有效性,因此本文的研究成果有望为异构迁移学习研究带来一些新的思路和启发。