本书围绕设计高性能分类器，以迁移学习为核心，从特征迁移和模型迁移两个角度展开研究，提出了多种分类算法。首先，针对领域间分布差异度量问题，提出基于样本差异性的度量方法，包括最大分布加权均值嵌入、加权迁移成分分析和跨领域均值逼近差异度量等算法，通过引入样本权重和子空间学习，缩小领域间分布差异，实现知识迁移，并结合k近邻分类器验证有效性。其次，研究半监督迁移与柔性投影约束，提出半监督迁移判别分析和柔性联合分布调整算法，利用样本结构信息和标签信息，改善特征子空间性能，提高分类精度。第三，设计模型迁移分类器，如输出层极限迁移学习机和迁移softmax回归，通过领域间权重矩阵对齐和联合分布调整机制，实现知识迁移与分类器训练的统一优化。最后，提出基于特征与模型的混合迁移分类器，融合半监督跨域均值判别和核迁移极限学习机，强化数据表达和分类性能，实验表明其具有显著效果。