近年来，神经架构搜索（Neural Architecture Search, NAS）取得了诸多突破性进展。尽管如此，现有许多算法仍受限于特定的搜索空间，且在面对多任务场景时缺乏高效的知识复用机制。这些挑战严重制约了其实际应用，也促使我们提出CATCH——一种新型的基于上下文的元强化学习（Context-bAsed meTa reinforcement learning, CATCH）算法，用于实现可迁移的神经架构搜索。通过融合元学习与强化学习，CATCH能够在不依赖特定搜索空间的前提下，高效适应新任务。CATCH采用概率编码器将任务特性编码为潜在的上下文变量，进而引导其控制器快速“捕捉”表现优异的网络架构。同时，这些上下文信息还能辅助网络评估器筛选低质量候选结构，显著加速学习过程。大量实验结果表明，CATCH在多种主流算法中展现出卓越的通用性与搜索效率。此外，CATCH具备处理跨领域架构搜索的能力，能够在ImageNet、COCO和Cityscapes等多个数据集上识别出具有竞争力的网络结构。据我们所知，这是首个在保持各类场景下鲁棒性的同时，提出高效可迁移NAS解决方案的研究工作。