傳統的機器學習過程中，不同的任務會用到不同的機器學習模型，然而遷移學習是針對某一種類型構造的數據也可以運用到另一類型的系統和數據中。
遷移學習是從一個或多個源領域中通過訓練該模型，得出有用的知識並將其用在新的目標任務上（未標記的同一類有相似特徵的物品或者是未標記的不同類物品）本質是知識的遷移再利用。
遷移學習的目標是從一個或者多個源領域任務中提取有用知識並將其用在新的目標任務上，本質上就是知識的遷移再利用。
按照遷移學習的定義，可以將遷移學習分爲三種類型，分佈差異遷移學習，特徵差異遷移學習和標籤差異遷移學習。分佈差異遷移學習之源域和目標域數據的邊緣分佈或者條件概率分佈不同，特徵差異遷移學習之源域數據和目標數據特徵空間不同，標籤差異遷移學習指源域和目標域的數據標記空間不同。
用香蕉和蘋果分類問題爲例，源域數據是已有的帶標籤香蕉和蘋果的文本數據，目標域是新來的不帶標記的香蕉和蘋果的文本數據，源域和目標域的數據來自不同的時間，不同地點，數據分佈不同，但標記空間和特徵空間是相同的，利用源域中的數據來進行目標域的學習問題就是屬於分佈差異遷移學習問題。
源域數據是帶有標記的蘋果和香蕉的文本數據，而目標域是不帶有 標記的蘋果和香蕉的圖片數據，源域和目標域一個是文本，一個是圖像，屬於特徵差異遷移學習範圍。
源域數據是帶有標記的香蕉和蘋果的文本數據，屬於二分類問題，目標域是不帶標記的梨子，橘子和橙子的文本數據屬於三分類問題，源域和目標域的數據標記空間不同，屬於標記差異遷移學習的範圍。
現已成熟的監督學習模式下，在大樣本的已標記的數據量集中訓練形成傳統的監督學習，但是這種模式在運用到情況更爲複雜，更多變的實際環境中往往會出現很大的誤差，
所以遷移學習就是在樣本量比較少的情況下，訓練分類器，隨之把這種模式可以運用到其他很多種情況下。
1.無人車，無人機。無人車和無人機所面臨的環境複雜多變，更加不可確定，所以需要遷移學習算法在不同環境下的適應作用。
2.機器人。
3.語言識別。語言的遷移，可以從一門語言（普通話）遷移應用到各地方言和其他語言（英語，德語等）。
