迁移学习是指根据已有知识和新知识之间的相关性,运用已有的知识来学习新的知识。按照是否使用深度学习方法,迁移学习可以分为传统迁移学习和深度迁移学习。当迁移源域和目标域的特征空间相同且类别空间相同,但边缘分布和条件分布不同时,该问题称为域适配问题。迁移学习的目的是为了解决在样本不足、标签不全等情况下,机器学习任务如何借助外部数据进行有效学习的问题。因此,迁移学习具有重要的实际应用价值。本人独立完成了如下工作。针对传统迁移学习中的域适配问题,提出了同时解决特征扭曲及源域和目标域分布不一致问题的流形空间联合分布域适配算法。该算法通过流形空间特征变换将样本映射到格拉斯曼流形空间,然后同时优化最优传输耦合矩阵和分类函数。在数字识别和人脸识别数据集上的实验表明,本算法的性能相比基准方法有显著的提高。针对数据集中离群样本对迁移学习的负面影响,提出了一种基于离群点重映射的域适配增强算法,对离群样本先进行映射处理后,和非离群样本一起作用于迁移学习。在情感分类的文本数据集和图像数据集的多组实验结果表明,本算法具有较好的普适性、有效性和鲁棒性。在深度迁移学习方面,从重用整个网络的角度出发,研究了将整个语义分割网络作为分类网络的预处理器以探索其对分类任务的有效性。实验结果表明,多数情况下该方法对于目标学习任务并没有帮助。本文提出的域适配算法可以应用于图像数字识别和人脸识别实际应用中;提出的域适配增强算法可以作为样本的预处理方法,以增强现有域适配方法的性能;对于任务移植方法的研究,可以为将来的任务移植方法奠定基础。