随着大数据时代的到来,人们可以更加容易地获得大量数据。此外,由于机器学习领域不断的发展,如何让计算机具有举一反三的能力,如何使大量数据可以更好地发挥作用,这些问题均变得非常实际和有价值。为了解决这些问题,迁移学习被提出并越来越受到人们的重视。在常规机器学习中有一个重要假设,即训练所需的数据和目标所需的数据必须具有相同的分布或者来自相同的特征空间。在现实生活中,这一假设是很难实现的。具体来说,对于一个分类问题,如果训练集的样本和目标集的样本不具有相同的分布,这就可以理解为源域与目标域不具有相同的特征空间。传统的解决方法是通过搜集更多的数据去模拟目标域的分布,但是这样代价极大。迁移学习是一种有效缩短两个域之间“距离”的方法,这样就可以接近传统机器学习中的假设,通过源数据训练出适合目标数据的模型。论文对迁移学习算法做了详细的研究和总结。具体工作如下:(1)对现有迁移学习算法做了全面的总结和研究,并对各种方法的性质进行了比较,对各种算法适合使用的领域也做了详细的阐述。(2)具体研究了迁移成分分析算法、测地流核算法、子空间对齐算法、最大独立域适应算法、信息理论学习算法等常用的算法,同时还研究了基于深度学习的迁移学习方法。(3)将迁移成分分析算法、测地流核算法、子空间对齐算法、最大独立域适应算法、信息理论学习算法以及深度学习相关的迁移学习算法运用到人脸表情识别当中,并使用不同的数据库对迁移学习算法在人脸表情识别中做了实验和比较。迁移学习有效解决了人脸表情识别当中源域与目标域不具有相同特征空间时的分类问题。(4)对迁移学习中存在的问题进行了分析,并对未来的发展进行了展望。