传统的机器学习过程中，不同的任务会用到不同的机器学习模型，然而迁移学习是针对某一种类型构造的数据也可以运用到另一类型的系统和数据中。
迁移学习是从一个或多个源领域中通过训练该模型，得出有用的知识并将其用在新的目标任务上（未标记的同一类有相似特征的物品或者是未标记的不同类物品）本质是知识的迁移再利用。
迁移学习的目标是从一个或者多个源领域任务中提取有用知识并将其用在新的目标任务上，本质上就是知识的迁移再利用。
按照迁移学习的定义，可以将迁移学习分为三种类型，分布差异迁移学习，特征差异迁移学习和标签差异迁移学习。分布差异迁移学习之源域和目标域数据的边缘分布或者条件概率分布不同，特征差异迁移学习之源域数据和目标数据特征空间不同，标签差异迁移学习指源域和目标域的数据标记空间不同。
用香蕉和苹果分类问题为例，源域数据是已有的带标签香蕉和苹果的文本数据，目标域是新来的不带标记的香蕉和苹果的文本数据，源域和目标域的数据来自不同的时间，不同地点，数据分布不同，但标记空间和特征空间是相同的，利用源域中的数据来进行目标域的学习问题就是属于分布差异迁移学习问题。
源域数据是带有标记的苹果和香蕉的文本数据，而目标域是不带有 标记的苹果和香蕉的图片数据，源域和目标域一个是文本，一个是图像，属于特征差异迁移学习范围。
源域数据是带有标记的香蕉和苹果的文本数据，属于二分类问题，目标域是不带标记的梨子，橘子和橙子的文本数据属于三分类问题，源域和目标域的数据标记空间不同，属于标记差异迁移学习的范围。
现已成熟的监督学习模式下，在大样本的已标记的数据量集中训练形成传统的监督学习，但是这种模式在运用到情况更为复杂，更多变的实际环境中往往会出现很大的误差，
所以迁移学习就是在样本量比较少的情况下，训练分类器，随之把这种模式可以运用到其他很多种情况下。
1.无人车，无人机。无人车和无人机所面临的环境复杂多变，更加不可确定，所以需要迁移学习算法在不同环境下的适应作用。
2.机器人。
3.语言识别。语言的迁移，可以从一门语言（普通话）迁移应用到各地方言和其他语言（英语，德语等）。
