特殊场景常常面临样本不易获取的问题,由此造成该场景分类识别任务的样本缺乏。针对场景样本缺乏的问题,利用辅助域（或称源域）构建迁移学习模型,提高困难场景中样本分类准确度与性能是当前研究的热点与难点。以本地森林火灾预防为例,由于样本缺乏,对本地森林火灾图像检测较困难,近几年森林火灾频繁发生,使提高本地森林火灾图像检测准确率变得尤为重要。因此,解决本地森林火险多分辨图像分类识别问题并提高烟雾样本分类准确度具有重要研究意义。为获取烟雾样本图像特征,本文从深度迁移学习角度研究,建立基于深度卷积迁移学习的特征提取网络;以及为提高本地森林火灾烟雾样本分类准确率,采用子空间学习探索基于领域自适应的样本分类算法。主要研究工作如下:（1）建立了深度卷积迁移学习（Deep Convolution and Transfer Learning,DC-TL）特征提取网络模型。针对小样本数据训练网络可能导致过拟合问题,本文结合深度卷积神经网络与特征同构迁移实现对烟雾样本数据的特征提取。首先用烟雾样本图像数据集微调预训练的CNN模型参数;然后,迁移除全连接末端层外的网络层参数得到特征提取网络模型。本文采用不同分辨率烟雾图像验证DC-TL特征提取模型的性能,实验结果显示,Res Net-50较其他网络识别准确率更高,对视频影像集的识别准确率为82.07%,对卫星遥感集的识别准确率为79.74%,即基于Res Net-50的DC-TL特征提取模型最佳。（2）探索了基于子空间学习的关联流形分布配准（Correlated Manifold Embedded Distribution Alignment,CMEDA）算法。针对某些对分类识别准确率要求较高的场景,如本地森林火险烟雾图像的识别分类,本文利用CMEDA算法提高目标域样本的分类准确率。该算法首先将辅助域、目标域的特征分布对齐;然后将分布对齐的特征进行流形学习消除某些退化的特征变换;最后在流形空间中动态对齐边缘分布与条件分布,并学习最终的域不变分类器。本文利用烟雾数据集设计实验,评估CMEDA算法性能,实验结果表明该算法分类效果较好,卫星遥感图像迁移视频影像图像准确性为96.00%,而视频影像图像迁移卫星遥感图像准确性为89.51%。（3）发展了基于子空间学习的格拉斯曼流形选择性伪标记（Grassmann Manifold Embedded Selective Pseudo-Labeling,GMESPL）算法。为利用目标域结构信息进一步提高算法迁移分类准确率,本文提出GMESPL算法。该算法首先将图像特征进行分布对齐及流形特征变换;其次,通过局部保持投影将两个域的样本映射到相同子空间;然后利用最近类原型与结构化预测对目标域样本伪标记;最后通过迭代学习完成伪标记过程。将多种先进算法与本文设计的算法做烟雾数据识别分类对比实验,结果表明,与CMEDA算法相比,GMESPL算法对卫星遥感图像迁移视频影像图像的准确率提高了0.51%,视频影像图像迁移卫星遥感图像的准确率提高了8.52%。（4）设计了深度卷积和领域自适应（Deep Convolution and Domain Adaptation,DC-DA）样本分类算法。为构建完整的样本分类算法,本文将DC-TL特征提取网络分别与CMEDA、GMESPL领域自适应方法结合,提出基于深度卷积和关联流形分布配准（Deep Convolution and CMEDA,DC-CMEDA）与深度卷积和格拉斯曼流形选择性伪标记（Deep Convolution and GMESPL,DC-GMESPL）的样本分类算法。为验证算法的有效性,本文将其与先进的烟雾图像检测方法对比,结果显示,对于本地森林火灾烟雾数据集,基于DC-DA的样本分类算法优势明显。另外,本文做了样本分类算法收敛速度对比实验,结果表明,DC-DA样本分类算法的迭代次数大约为10次时就已收敛,且提取到的特征越优,收敛速度越快。