迁移学习是机器学习中一个非常重要的任务，已经引起了诸多学者的关注。在实际应用领域中，例如图像识别、文本分类、自动驾驶等场景下，获得大量标记数据进行训练通常是一件非常困难并且代价十分昂贵的事情。可以获得的往往是少量标记数据或大量其他相关领域的标注数据。
　　随着自动驾驶技术的不断发展，驾驶模式识别问题成为越来越重要的问题。它与自动驾驶汽车的感知、决策和控制等各个方面紧密相关。本文利用迁移学习来解决自动驾驶模式识别问题中标记数据少且数据分布差异大的问题。最大均值差异(Maximum Mean Discrepancy, MMD)用于评估和描述迁移学习问题中源域和目标域数据之间的分布相似性，但它们往往只针对于全局数据，并没有关注类内紧致性和类间可分离性。
　　本文紧密围绕基于最大均值差异迁移学习的驾驶模式识别问题展开研究，主要研究工作及贡献如下：
　　(1)本文提出了一种鲁棒的基于类内紧致性和多数投票分类器的驾驶模式识别方法。这一方法主要考虑了类内紧致性对于迁移学习的重要影响，同时利用多数投票的方法集中多个分类器的群体智慧来达到更鲁棒的分类效果。在实际真实数据集上的实验结果进一步验证了所提出的鲁棒驾驶模式识别方法的有效性。
　　(2)本文提出了将类内紧致性和类间可分离性结合来进行驾驶模式识别的方法。类内最大均值差异和类间最大均值差异的结合不仅将源域和目标域相同类内的数据分布相似性提高，同时也将源域和目标域不同类间的差异性增大。在停车场数据集上的实验结果进一步验证了该方法的有效性。通过与其他方法的对比表明提出的度量是有效的。
　　因此，本文提出了将类内最大均值差异和类间最大均值差异两个度量结合的模型，此模型可以同时增强类内数据紧致性和类间数据可分离性。这样的迁移学习方法可以将源域的知识更好地迁移到目标域中，以获得更好的分类效果。