Aunque los semiconductores de óxido metálico son un candidato prometedor para evaluaciones precisas de la calidad del aire interior, múltiples desventajas de los sensores de gas impiden su uso generalizado. Ejemplos incluyen mala selectividad, inestabilidad a lo largo del tiempo y envenenamiento del sensor. Métodos de calibración complejos y modos de operación avanzados pueden resolver algunas de esas desventajas. Sin embargo, esto conduce a largos tiempos de calibración, que son inadecuados para la producción en masa. En los últimos años, se han realizado múltiples intentos para resolver la transferencia de calibración con la ayuda de la estandarización directa, la corrección de señal ortogonal y muchos más métodos. Además de esos, un nuevo enfoque prometedor es el aprendizaje por transferencia de aprendizaje profundo. Este artículo comparará diferentes métodos de transferencia de calibración, incluyendo la estandarización directa, la estandarización directa por partes, el aprendizaje por transferencia para modelos de aprendizaje profundo y la construcción de modelos globales. Los métodos de aprendizaje automático para calibrar los modelos iniciales para la transferencia de calibración son la extracción de características, la selección y la regresión (métodos establecidos) y una red neuronal convolucional personalizada TCOCNN. Se ha demostrado que el aprendizaje por transferencia puede superar a los otros métodos de transferencia de calibración en cuanto al error cuadrático medio, especialmente si el modelo inicial se construye con múltiples sensores. Fue posible reducir el número de muestras de calibración en hasta un 99.3% (de 10 días a aproximadamente 2 h) y aún lograr un RMSE para acetona de alrededor de 18 ppb (15 ppb con calibración individual extendida) si se utilizaron seis sensores diferentes para construir el modelo inicial. Además, se demostró que los otros métodos de transferencia de calibración (estandarización directa y estandarización directa por partes) también funcionan razonablemente bien para ambos enfoques de aprendizaje automático, principalmente cuando se utilizan múltiples sensores para el modelo inicial.