针对传统的机器学习需要大量的人工标注训练模型的弊端，以及目前多数迁移学习方法只适用于同构空间的问题，提出了一种异构复合迁移学习（HCTL）的视频内容标注方法。首先，借助视频与图像的对应关系，利用典型相关性分析（CCA）来实现图像域（源域）和视频域（目标域）特征空间的同构化；然后，基于这两个特征空间向共同空间投影的代价最小化这一思想，找到源域特征空间向目标域特征空间对齐的矩阵；最后，通过对齐矩阵使得源域特征能够翻译到目标域特征空间中去，进而实现知识迁移，完成视频内容标注任务。所提方法在Kodak数据库上的平均标注准确率达到了35.81%，与标准的支持向量机（S-SVM）领域适应支持向量机（DASVM）、异构直推式迁移学习（HTTL）、跨领域的结构化模型（CDSM）、领域选择机（DSM）、异构源域下的多领域适应（MDA-HS）和判别性相关分析（DCA）方法相比分别提高了58.03%、23.06%、45.04%、6.70%、15.52%、13.07%和6.74%；而在哥伦比亚用户视频（CCV）数据库上达到了20.73%，分别相对提高了133.71%、37.28%、14.34%、24.88%、16.40%、20.73%和12.48%。实验结果表明先同构再对齐的复合迁移思想在异构领域适应问题上能够有效地提升识别准确率。