摘要：基于密度差（Difference Of Density，DOD）思想，L2核分类器算法具有良好的分类性能及稀疏性，然而其训练域与测试域独立同分布的假设限制了其应用范围。针对此不足，该文提出一种新的面向迁移学习的L2核分类~（Transfer Learning—L2 Kernel Classification，TL—L2KC），该方法既保持了L2核分类器算法良好的分类性能，又能处理数据集缓慢变化及训练集在特定约束条件下获得导致训练集和未来测试集分布不一致的问题。基于人造数据集和UCI真实数据集的实验表明，该文提出的TL—L2KC算法较之于经典的迁移学习分类方法，具有相当的、甚至更好的性能。

关键词：支持向量机 迁移学习 密度差 l2核分类器 

单位：江南大学数字媒体学院 无锡214122 无锡职业技术学院物联网技术学院 无锡214121