随着计算力的提升,机器智能的发展,人类能够利用海量的信息训练模型。然而,机器想要准确地利用信息,需要准确的标注信息,否则杂乱的信息与噪声无异,学习模型的任务也无从谈起。同时,人们所拥有的少量标注数据和将要被处理的未标注数据,有时只是在观感上相似,实际却并不属于同一个概率分布。在这种情形下,传统的基于同分布的监督学习,无法解决标注数据与未标注数据的分布差异。如果无视分布差异,将标注数据学习到的模型强行套用到未标注数据上,得到的结果往往与预期想去甚远。因此,如何在欠标注场景下,高效利用标注数据,同时解决分布差异问题,成为了学术界和工业界的一大挑战。针对上述挑战,本文提出了欠标注场景中迁移学习算法。具体来说,本文的主要研究问题聚焦于图像分类中,利用不同分布的训练数据学习模型来估计测试样本标注。对于测试数据来说,图像的标注是未知的或是少部分已知的,因此这个分类问题是欠标注场景下的分类问题。在缺少标注数据的情景下,本文利用与测试数据语义空间相似但样本空间不同的训练数据来辅助学习模型。如果把训练数据称为源域,将测试数据记为目标域,欠标注场景中的测试数据标签预测问题就转化为通过源域数据学习优秀的模型来预测目标域标签的问题。然而,源域数据和目标域数据在样本空间的差异,会影响对测试数据标签的估计。针对这个问题,本文分别提出了深度和非深度场景下解决分布差异的算法。在非深度场景下,本文要解决的主要问题是在图像分类任务中的两大难点:一是学习到具有源域和目标域共享因子的子空间,二是解决多源域适配中的负迁移问题。相比于学术界的主流算法,本文在子空间学习和标签预测两个方面做出了创新。一般算法利用一阶矩作为正则项来学习投影矩阵,而本文综合利用了矩对齐和图嵌入来学习子空间。其中,图嵌入的引入从流形学习的角度保留了样本之间的关系,通过制定对应的图规则来尽可能地消除负迁移。在标签预测方面,相比于一般算法直接用最近邻原则预测标签,本文创新性地提出了在高维空间和低维空间同时预测标签的方式。在深度场景下,本文要解决的主要问题是图像分类任务中的两大难点:一是如何学习域不变特征,二是如何充分地训练特征网络和判别器。相比于学术界的主流算法,本文创新性地利用了最大最小熵的性质,将其与对抗学习匹配,引出了一种学习域不变特征的算法。根据调查,本文的最大熵策略是学术界中首次提出利用最大熵来进行域混淆的方法。总结来看,本文的主要贡献包括以下几个部分:第一,本文给出了一种欠标注场景下的浅层迁移学习算法。本文利用图嵌入和矩匹配,在子空间上对齐了源域和目标域。同时,本文利用聚类算法和结构风险最小化,创新性地提出了两种更新伪标签的方式。本文提出的浅层迁移算法框架在单源域适配和多源域适配问题上都取得了较好地结果。第二,本文给出了一种欠标注场景下的深度迁移学习算法。本文综合利用了条件概率、对抗学习,以深度残差网络为骨架,提出了一种基于熵优化的深度迁移框架。相比于其他的对抗域适配算法,本文创新性地提出了两组对抗。除了传统的生成器和判别器的对抗,本文引入了最大最小熵的对抗。本文提出的框架可以适用于各种骨干网络,计算简单,具有较好的兼容性。第三,本文给出了一种基于迁移思想的视觉追踪算法。本文将传统的视觉追踪问题转化为了一个模态迁移问题,创新性地提出将历史帧作为源域,未来帧作为目标域。并且通过控制训练集的规模,保证了追踪的准确性和较低的时间复杂度。综合来看,本文提出了浅层算法和深层算法,并讨论了算法在实际问题上的应用,可以说涵盖了欠标注场景下可能出现的各种问题。实验也证明本文提出算法的有效性。