-Cet article présente une méthode d'apprentissage par transfert à noyau, sous un modèle de mélange gaussien à k classes pour les données d'entrée. En s'appuyant sur les avancées récentes de la théorie des matrices aléatoires, nous proposons de nouvelles perspectives dans les schémas d'apprentissage par transfert pour les cas difficiles, par exemple, ici, lorsque les statistiques de premier ordre de toutes les classes de données coïncident. L'article montre que la distribution asymptotique de la fonction de décision LS-SVM est gaussienne pour toute fonction à noyau. En conséquence, un schéma d'optimisation est proposé pour minimiser le taux d'erreur de classification. Nos résultats théoriques sont corroborés par des simulations, puis appliqués avec succès au contexte de l'apprentissage par transfert pour la classification d'images PolSAR.