离线学习（Offline Learning）是机器学习中一种经典的学习范式，指模型在部署前通过静态数据集完成训练，此后不再更新参数的工作方式。与在线学习不同，离线学习模型在训练阶段结束后便固化其知识结构，所有推理决策均基于训练时获得的知识，这种特性使其在资源受限或实时性要求不高的场景中具有独特优势。典型的离线学习应用包括图像分类模型训练、历史数据分析系统等，这些场景通常允许使用完整数据集进行充分训练，且对模型更新频率要求较低。
在产品开发实践中，离线学习因其稳定性和可复现性成为工业界的主流选择。例如智能客服系统的意图识别模块，往往采用离线训练好的模型进行每日批量更新，既能保证服务质量又可控制计算成本。值得注意的是，随着边缘计算设备性能提升，部分场景已开始采用「离线训练+设备端微调」的混合模式，这种演变正在重新定义离线学习的边界与应用形态。