在现代社会生活中,数据模式以及计算的资源增长十分迅速,作为一种自动地、具有人工智能的学习方法即机器学习方法,不仅在理论上进步飞速,在实践中也发展很大。传统的机器学习具有依赖性,它要求数据的生成机制不受环境而影响,在大多数机器学习的算法研究中,都存在训练数据和真实测试的数据特征需要分布相同的假设。基于这种假设,实现使计算机能够模拟人的学习行为,从而自动通过学习来获取知识与技能,进而改善性能来自我完善。但是,机器学习在实际应用领域中,例如计算机视觉、大数据分析、生物信息学等,这种假设过于严格,难以实现。如何进行解决以及发掘非平稳环境中的大规模的数据,成为了当今机器学习中最具挑战意义的方向之一。迁移学习对传统的机器学习必须独立同分布的要求有所放宽,采用相对应的迁移学习方法来针对训练数据与需要进行的目标任务中的测试数据分布不同的特性,就可以使那些样本不充足的任务的分类的识别结果得到很大的提升。它可以发掘彼此相关而又彼此不同的两个区域间的领域不变的特征与构造,这就使有监督信息(如标注数据等)能够在领域直接进行迁。移和复用。有关人脸识别方面的研究,我们首先从特征提取、降维处理以及分类器分类三个大方向入手,将提取到的人脸图像特征进行处理,并总结归纳出基于LPP多源特征迁移算法,并通过实验验证了这一算法的可行性以及优越性。然后,将静态的人脸识别研究引申到动态的人脸表情识别,通过三种协方差迁移算法的实验结果比对,总结出一种最适合表情识别的算法。总结全文就是基于迁移学习的各种优点,通过大量实验验证不同迁移学习算法在人脸表情识别的迁移率。对人脸的特征提取算法以及不同光线色彩条件下的人脸表情识别等方面做出了具有挑战意义的研究。目前,迁移学习仍然处在具有挑战的阶段。我们通过学习迁移学习研究现状,以及对基于迁移学习的不同方法比较,巧妙的将其应用于人脸识别,以达到更加理想的效果。