本书旨在研究利用迁移学习技术来缓解深度学习模型在训练阶段对于精细标注数据的依赖以及在测试阶段对于完整测试数据的依赖，从而使得深度学习模型有着更低廉的拓展学习成本以及更广阔的应用空间。本书的研究包含三项：其中前两项研究聚焦于深度学习模型的训练阶段，研究使用迁移学习技术来降低深度学习模型对新种类的带精细标注数据的依赖，让模型能以更低的标注成本去学习更多的新种类。第一项研究以分类这个最广泛的视觉任务为例，对提出的新学习模式进行初步探究和验证，而第二项研究将其思想延续并应用在更具挑战性和应用价值的语义分割任务上。最后一项研究聚焦于深度学习模型的测试阶段，以图像分类任务为例，研究使用迁移学习技术来降低深度学习模型对于测试样本收集的完整信息的依赖，可以让模型能够应用于那些难以获取某些信息的广阔场景中。