根据目标域中所包含的有标签数据情况，迁移学习可以分为[4]监督迁移学习（supervised transfer learning）、半监督迁移学习（semi-supervised transfer learning）以及无监督迁移学习（unsupervised transfer learning）。

1.监督迁移学习

源域数据均为有标签数据，目标域数据有少量标签数据，即，。源域数据与目标域任务并不直接相关。

模型微调（fine-tuning）便是监督迁移学习的一种学习方法，它适用于源域数据和目标域数据都带标签的情况。该方法的思想是使用源域数据训练模型，然后用目标域数据对模型进行微调，因为目标域数据非常有限，因此需要注意避免出现过拟合的现象。为了避免过拟合现象，可采用保守训练的方式。即使用源域数据训练好的模型参数去初始化目标域的新模型，再用目标域数据对新模型进行微调，这个微调的过程要使用保守训练的方法，从结果来看就是使两个模型尽可能相同。保守训练有很多种方法，比如让两个模型的输出尽可能相近；或使用目标域数据进行微调时，仅调整某一层神经网络的参数。具体来说，从源域模型中复制几个参数到新的模型里，然后再利用目标域数据训练没有被复制的参数。由此可以做到每次使用目标域数据训练较少的参数，避免了过拟合的现象。至于要复制哪几层的参数，通常视任务而定。

2.半监督迁移学习

源域数据均为有标签数据，目标域数据没有标签数据或有少量标签的情况，即DS=或者。源域数据与目标域任务并不一定直接相关。(www.daowen.com)

半监督迁移学习有域自适应（domain adaptation）、零样本学习（zero-shot learning，ZSL）的方法。其中，域自适应可以分为三类：基于差异自适应（discrepancy based domain adaptation）：利用源域数据与目标域数据的差异来调整源域数据，从而减小域偏差（domain bias），进一步进行域自适应。基于对抗学习自适应（adversarial based domain adaptation）：通过对抗判别器（discriminator），生成器（generator）将源域数据和目标域数据在特征空间上对齐，以此学习域不变性的特征，进一步进行域自适应。基于数据重构自适应（reconstruction based domain adaptation）：使用数据重构作为辅助任务，以此确保所学到的特征不变，从而进行域自适应。

在零样本学习中，源域和目标域数据分布不同，源域任务与目标域任务也不同。例如，源域任务是识别猫和狗两种动物，而目标域则要求训练出一个能识别羊的分类器。那么如何做到把源域模型迁移到目标域中呢？此时有两种方法，一种方法是用属性表示每个类。这种方法的动机来源于既然没有办法直接预测图片中的物体是什么，就换一种角度，让模型去预测图片中的物体有哪些特征（例如有毛、四条腿、有尾巴等）。此时知道图中物体的特征之后，就可以查询一个人工建立的数据库，便可以得知拥有此特征对应哪种物体。另一种方法是利用属性嵌入（attribute embedding）。具体做法为，把属性和图片映射到同一个嵌入空间（embedding space）中。例如，把一个样本x1通过一个模型f（·）映射到嵌入空间的f（x1），把样本x1的属性通过另外一个模型g（·）映射到嵌入空间的g（x1）。调整f（·）和g（·）的参数，使得f（x1）和g（x1）在嵌入空间中越接近越好。此时若要识别新样本xi的类型，就找到嵌入空间中与f（xi）最接近的属性嵌入g（xi），属性嵌入g（xi）对应的动物就是样本xi所对应的动物。

3.无监督迁移学习

源域数据均为没有标签数据、目标域数据也没有标签数据的情况，即DS={xS1，…，。源域数据与目标域任务并不直接相关。无监督迁移学习的一种学习方法是自主聚类（self-taught clustering）。