迁移学习旨在利用源域和目标域的潜在相关性,充分利用源域数据的知识,完成对目标域的学习任务。半监督学习是机器学习领域中的一个重要分支,研究的是如何利用已有的少量标签数据结合大量无标签数据训练出更加可靠的学习器。半监督的迁移学习方法已成为迁移学习一个重要的研究领域。半监督的迁移学习主要研究如何在少量有标签数据的基础上,充分利用已知的知识,完成对学习器的训练,主要存在两种方法:⑴.结合多个相关数据源域,从多个源域当中获取迁移知识;⑵.通过多视角的方法,预测无标签数据的标签。针对这两个方式,本文在了解传统的机器学习方法的基础上,研究了多源域多视角的迁移算法,其中,重点研究了动态多源域多视角迁移算法。多源域多视角迁移算法(MSMV)在半监督学习算法当中有着优异的效果,其不仅充分利用了多个数据域并且从多个视角对无标签数据进行预测。本文针对多源域数据权重下降较快的问题引入了动态因子,结合多视角的学习方法,提出了动态多源域多视角学习算法(D-MSMV)。另外,对于学习器生成过程当中的一些细节做出了改进。在实验中,我们从UCI和Caltech 256中选取了部分数据进行实验对比。实验结果证明,本文算法有效性而且较其他算法有着更高的准确性。