La ontología juega un papel crítico en la ingeniería del conocimiento y los grafos de conocimiento (KGs). Sin embargo, construir una ontología sigue siendo una tarea no trivial. El aprendizaje de ontologías tiene como objetivo generar ontologías de dominio a partir de varios recursos mediante procesamiento del lenguaje natural y técnicas de aprendizaje automático. Uno de los principales desafíos del aprendizaje de ontologías es reducir el trabajo de etiquetado para nuevos dominios. Este documento propone un método de aprendizaje de ontologías basado en aprendizaje por transferencia, llamado TF-Mnt, que tiene como objetivo aprender conocimientos de nuevos dominios que tienen datos etiquetados limitados. Este documento selecciona datos web como fuente de aprendizaje y define varias características, que utilizan información textual abundante e información semi-estructurada heterogénea. Luego, se propone un nuevo modelo de aprendizaje por transferencia TF-Mnt, y también se aborda la estimación de parámetros. Aunque existen diferencias de distribución de características entre dos dominios, TF-Mnt puede medir la relevancia calculando el coeficiente de correlación. Además, TF-Mnt puede transferir eficientemente conocimientos del dominio fuente al dominio objetivo y evitar la transferencia negativa. Los experimentos en conjuntos de datos del mundo real muestran que TF-Mnt logra un rendimiento de aprendizaje prometedor para nuevos dominios a pesar del pequeño número de etiquetas en él, aprendiendo conocimientos de un dominio existente adecuado que puede ser seleccionado automáticamente.