目前深度神经网络已成功应用于众多机器学习任务,并展现出了惊人的性能提升效果。然而,传统机器学习算法假定训练数据和测试数据服从的是同一分布,而这种假设在实际应用中往往是不成立的。如果训练数据和测试数据的分布差异很大,那么由传统机器学习算法所训练出来的分类器的性能将会大大降低。领域自适应学习就是关于如何将分类器从源域(训练场景)适配到目标域(测试场景)的问题。它可以有效地提取两个领域的领域不变特征,从而提高最终的分类准确率。因此本文就针对基于图像识别的领域自适应问题,展开深入研究,并根据现有领域自适应方法存在的不足,提出更优秀的改进算法来解决领域自适应问题。本文的主要研究内容如下:(1)本文首先阐述了领域自适应学习的研究背景和发展现状,并对领域自适应方法作了详细的对比与分析。通过分析不同思路的领域自适应方法,比较其存在的优点和不足,从而引出本文在领域自适应问题上的研究方向。(2)针对源域样本与目标域样本不相似的特性,提出了一种多重加权子空间对齐方法。通过重新加权样本数据来生成加权子空间;然后利用PCA方法和本文提出的贪心策略进行多个加权子空间拟合;最后通过利用格拉斯曼流形的微分几何工具来对齐源域和目标域的子空间集,并构建最近邻分类器来获得源域和目标域的最终数据表示。(3)针对深度神经网络学习的特征表示特别适合于由原始数据本身建立的分类任务这一特性,搭建了一个基于多层校正的神经网络结构。通过添加小的校正项来校正目标数据的内部表示,使它们模拟源域数据的分布。对于目标数据的残差层,我们通过添加校正使得源域的数据分类器能适应目标域,并利用加法叠加来完美地对齐源域和目标域的数据表示。然后,考虑到如果不考虑类的先验分布,则很容易忽略类别权重偏差,从而导致域适应性能的下降。因此,我们引入特定类的辅助权重来重写设定源样本。以这种方式,重新加权的源数据将与目标数据共享相同的类别权重。此外,我们还使用多个权值MMD来修正全连接层,增加网络的表示能力。最后,提取学习获得的域不变特征并进行分类,以获得目标图像的最终识别效果。