传统的图像识别方法假设训练样本和测试样本服从相同的分布,然而在很多实际应用中,这一假设往往并不成立。如果训练样本的分布和测试样本的分布差异很大,那么传统的图像识别方法训练出来的分类器的性能将会降低。领域自适应是处理图像识别中的领域迁移问题的一种手段,它的目标在于克服训练样本分布和测试样本分布的差异,实现分类器的迁移。领域自适应已经成为图像识别领域的一个研究热点。首先,提出了基于核子空间对齐算法(KSA)。该算法先将源域样本和目标域样本通过同一个映射函数分别映射到高维空间中,然后再利用主成分分析法(PCA)分别对高维空间中的源域样本和目标域样本进行降维,得到源域子空间和目标域子空间,最后再学习一个对齐矩阵将源域子空间和目标域子空间对齐,对齐后源域样本和目标域样本分布的差异达到最小。其次,提出了基于源域样本标签信息的核子空间对齐算法(SKSA)。在基于核子空间对齐方法(KSA)的基础上利用源域样本的标签信息,使得所寻找的对齐矩阵不仅可以对齐源域子空间和目标域子空间,还可以让源域中同类样本聚集在一起,最终提高分类准确率。最后,提出了基于线性判别分析的核子空间对齐算法(LKSA),在SKSA的基础上加上对源域不同类样本的约束,使得所寻找的对齐矩阵不仅可以对齐源域子空间和目标域子空间,还可以让源域中的同类样本聚集在一起,不同类样本分开,最终提高分类器的分类性能。为了验证我们上述所提方法的有效性,在可视化物体识别数据库(Office+Caltech-256)、手写体识别数据库(USPS+MNIST)和人脸识别数据(PIE)上,对所提方法与对比算法进行了对比实验。实验结果也证实所提方法相对于其他对比的领域自适应算法具有一定的优越性。