迁移学习主要是通过学习源域中带标签的数据对目标域中无标签的数据进行识别分类。目前针对迁移学习,已有很多种不同的解决方案,如基于特征空间和标签空间是否同构,可以将迁移学习分为同构迁移学习和异构迁移学习。基于迁移学习方法中迁移知识的形式来看,也可分为:基于样本、基于特征、基于模型、基于关系四种迁移学习方法。EasyTL方法是一种最近（2019）提出的方法,其建立的前提是特征空间和标签空间相同,但边际分布不同。虽然EasyTL具有模型参数少的优点,但其所使用的源域的统计信息过少,其迁移能力受限。本文将针对后者,提出一种改进的EasyTL模型,以提高模型的迁移学习能力。本文提出了目标域鲁棒的EasyTL方法。特别地,我们考虑源域和目标域部分类均值不匹配的情况,将目标优化中源域的各类中心作为源域和目标域的偏移变量,在学习类中心的先验约束后交替求解概率注释矩阵及类中心。在几个公共数据集上的实验表明,改进的EasyTL算法准确率有了明显提升。作为该改进的另一种变形,当类中心不受约束时,模型不再需要源域的信息,完全退化为非迁移模型,可以直接对数据做聚类,便得到了一种新的监督学习判别方法。在几个公共数据集上的实验结果表明,其准确性比原始EasyTL算法要高。进一步,我们分析了传统KNN方法和该新的方法的区别,并在一些公共数据集中,比较两者的效果,说明新方法具有较高的准确率。