本文介绍了分类问题的研究背景、研究现状，着重分析了分类领域中具有重要意义的朴素贝叶斯算法、决策树算法、神经网络算法、K近邻算法和支持向量机算法，并讨论了他们的优缺点。 然而，传统的分类算法在训练集和目标集的分布不同时分类效果欠佳，为了解决这一问题，近年来分类领域提出了迁移学习的概念，对于小样本问题和样本不平衡问题，迁移学习方法表现出良好的泛化能力。本文介绍了近年来迁移学习领域的研究成果，在分析三个重要的迁移学习算法的基础上，总结出迁移学习的基本思路。 在分析和总结前人工作的基础上，本文提出了一种基于支持向量机的迁移学习新思路。在该思路的指导下，本文提出了两种针对不同训练数据的迁移学习算法：KNN-SVM算法和KKZ-KNN-TSVM算法。这两种算法都是以待分类数据的分布特征为指导，对训练数据进行筛选，分别计算每个训练样本在训练时的权重，使得训练集与待分类集的相似度提高，从而达到迁移学习的目的。与以往的迁移算法不同，本文提出的算法在不引入辅助集的情况下，有效地提高了训练集与待分类集的相似性，在UCI的两个非文本数据集和20Newsgroups文本数据集上的实验表明，KNN-SVM和KKZ-KNN-TSVM算法都表现出良好的迁移特性，在相同的训练集和目标集上，其分类精度比不迁移的情况下分别提高了10.6％和14.31％。