迁移学习已经成为机器学习的研究热点。在进行迁移学习之前,选择合适的源领域用于目标领域的迁移学习,可以避免多次迁移学习尝试,提升迁移学习效率,缓解负迁移现象。但现有迁移学习研究大多数都建立在源领域和目标领域的相似性较高的这一全局约束下,对如何选择合适的源领域缺乏研究。针对上述问题,本文围绕如何基于相似度选择合适的源领域用于目标领域的迁移学习展开深入研究,主要的工作内容如下:(1)对相似性度量相关理论进行了阐述与分析,发现距离度量方法最大均值差异MMD可以度量分布差异,且为非参数化方法,计算简单,符合本文研究目标,可以将其用于领域间相似性度量。(2)提出了一种度量两个领域间的相似性的相似度度量方法,叫做域间相似度序数(MMD-SR)。MMD-SR结合了距离度量方法最大均值差异(MMD)的优势,同时,将方差因素考虑进去,将MMD与距离方差相结合。此外,MMD-SR能够直观地表现出某个候选源领域在所有候选源领域集合中的相似度等级序数。使用双月形人工数据集、Caltech-Office数据集和20News Groups数据集,在经典迁移学习算法Tr Ada Boost、TCA和BDA中进行实验。实验结果表明,MMD-SR在度量领域间分布差异是具有有效性的,且域间相似度序数MMD＿SR与迁移算法准确率成正相关。(3)基于所提出的域间相似性度量方法MMD-SR,将其应用于候选源领域集合中源领域选择的问题中,最终提出了一种基于MMD-SR的源领域选择策略MMDSR＿SDSS,该策略同时适用于单源迁移学习和多源迁移学习。利用单源迁移学习算法Tr Ada Boost、TCA和BDA以及多源迁移学习算法MS-Tr Ada Boost和SL-MSTL在文本数据集20News Groups上的实验验证了MMD-SR＿SDSS方法的有效性和可行性。