随着深度学习的快速发展, 迁移学习作为一种关键的机器学习策略, 通过复用已有模型知识, 有效应对新问题或新领域, 大幅降低了对大量标注数据的依赖, 同时提升了学习效率. 然而, 在迁移学习过程中, 现有的微调策略均面临训练速度与准确性的权衡问题, 全部微调策略可能减小训练速度, 而部分微调策略则可能影响训练准确性. 因此, 如何优化迁移学习过程, 实现快速高效的迁移学习是目前迁移学习领域亟须解决的关键问题. 为了解决这一问题, 提出了一种双重决策自适应冻结方法: 在迁移学习过程中, 首先, 使用组决策模块对神经网络各个层进行决策, 选出可能需要冻结的层; 然后, 对这些层使用层决策模块进行决策, 确定最终需要冻结的层; 最后, 对这些需要冻结的层进行冻结, 以此最大限度地减少错误冻结的可能性, 提高训练的准确性, 同时增大迁移训练速度. 实验结果表明, 与微调整个网络的传统方法相比, 所提出方法将训练速度提升了1.97倍, 且精度损失却很小; 与只微调最后一层相比, 所提出方法将准确率提高了34.52%, 且训练速度损失很小.