传统的机器学习中当分布发生变换时，大部分的机器学习方法不具备自适应能力，需要重新学习，要求用户收集更多的训练数据。在现实的应用中，重新收集训练数据、重新训练学习机代价很大，非常有必要减少这些环节，迁移学习的研究就成为一种必然。迁移学习可以应用相关领域的数据，将相关领域的有用知识"迁移"到目标领域中，用以解决在目标领域的学习任务．而迁移学习的关键是如何选取相关数据以帮助目标领域的学习。本文提出一种基于聚类集成的迁移学习算法，通过从源数据中寻找能够帮助目标数据学习的实例以帮助目标领域的学习，并且针对基于聚类集成迁移学习目标数据较少，容易过度拟合的缺陷，提出了基于半监督的聚类集成迁移学习算法以改进该缺陷。最后对两个算法在20个新闻组数据集上进行了实验，证明这两个算法能有效提高目标数据的学习效率。