传统的机器学习模型由于依赖于数据的生成机制不随环境改变的假设,在许多应用场景中并不能满足实际需求。迁移学习的出现有效地缓解了这个问题,其放宽了传统机器学习中训练数据和测试数据必须独立同分布的限制,利用不同但是相关的领域之间存在的共性,将源域中学习得到的知识在目标域中复用。不仅如此,得益于能够在特征空间不同的领域进行知识迁移,异构迁移学习的提出进一步拓宽了机器学习的应用范围。在异构迁移学习中,源域与目标域的连接需要依赖于源域中与目标域分布最相似的组分,而大多数模型对于其在目标域中的潜在作用均没有给予足够的关注。如果源域被与目标域不相关或者起消极作用的组分主导的话,则迁移学习的性能将会大幅下降。针对这个问题,本文首先对异构迁移学习中源域组分进行了分析,并据此提出了多组分异构迁移学习算法,应用到图片分类问题中。我们的主要工作概括如下:(1)在异构迁移学习中引入了组分的概念,并对源域组分在知识迁移过程中的潜在作用进行了分析,分析结果显示:源域中不同组分对目标域模型的作用表现各异,其中某些组分的存在甚至会降低目标域模型的性能;(2)基于这个发现,本文提出了一个给组分加权以减少源域中起消极作用组分的影响的方法。我们首先通过聚类将源域中各组分分离出来,并基于各独立组分分别为目标域训练模型。然后为得到的模型赋予权重来量化其性能,通过优化权重来为目标域组合得到一个性能最优的模型。我们在标准数据集上将多组分异构迁移学习算法与四个相关领域的模型进行了对比,实验结果表明我们提出的算法在分类准确率、精确率和召回率上均优于相关领域的前沿算法。