摘要：经典的最小二乘分类器(least square classifier,LSC)由于其简洁、有效性已早被广泛应用于图像识别、语音识别等领域.然而,利用原始数据特征构建的最小二乘分类器,其泛化性能往往较差.为解决上述问题,提出了基于深度堆叠泛化和迁移学习机制的深度迁移最小二乘分类器(deep transfer least square classifier,DTLSC).首先,基于堆叠泛化原理,利用LSC模型作为基本堆叠单元构建深度堆叠网络,避免了传统深度网络中需要求解非凸优化的问题,提升模型分类性能的同时提高了网络计算效率.其次,基于迁移学习机制,利用前层单元中的模型知识辅助当前层的模型构建,尽可能保持了层间模型的一致性,提升了模型泛化性能.在此基础上,引入自适应迁移策略,有选择地利用前层模型知识,缓解了利用前层不相关模型知识而导致的负迁移效应.在人造数据集及真实数据集上,实验结果验证了所提DTLSC算法的有效性.