迁移学习是机器学习领域的一个重要研究方向，旨在解决传统机器学习方法在数据稀缺或分布差异场景下的局限性。其核心思想是通过将源领域（sourcedomain）学到的知识迁移到目标领域（targetdomain），从而提升模型在目标任务上的性能。近年来，随着深度学习的发展，迁移学习在计算机视觉、自然语言处理、医疗诊断等多个领域展现出广泛应用价值。本文综述首先系统梳理迁移学习的理论基础和分类体系，包括基于实例、特征、模型和关系的迁移方法；其次详细分析典型算法如领域自适应、多任务学习、预训练-微调范式等技术路线；然后总结迁移学习在跨模态、联邦学习等新兴场景中的研究进展；最后探讨当前面临的挑战（如负迁移、可解释性不足）以及未来发展方向（如元迁移、自动化迁移）。本综述旨在为研究者提供系统化的知识框架，推动迁移学习理论与应用的创新发展。
