近年来,深度学习技术在计算机视觉领域取得了巨大的成功,表现出了惊人的学习表征能力。尽管成就是显著的,但大多数深度学习模型都依靠大量的标签数据来实现和提高它们的性能。因此,如何在没有大量标记的数据中学到知识就显得尤为重要。迁移学习旨在从一个场景中学习到的知识迁移到另一个相似的应用场景中,是深度学习“落地”的一种重要探索。本文立足于迁移学习算法及其在自动驾驶中的应用研究,主要工作如下:(1)针对闭集域自适应问题,本文提出了一种可迭代的域自适应方法,逐渐为无标记的目标域样本打上伪标签,并利用带有伪标签的目标域样本训练目标分类器。该方法为直接优化分类误差提供了依据,并适用于无监督和弱监督的场景。在无监督的域自适应领域中,该方法的性能可与最先进的域自适应方法相媲美。实验表明,它对无监督域自适应的困难任务仍表现的良好。(2)针对开放集域自适应问题,本文在OSDA-BP算法的基础上,对提取潜在未知样本的二元交叉熵损失函数进行了改进。并提出用基于距离的对称Kullback-Leibler损失函数来代替二元交叉熵损失函数。在Office-31数据库上的实验表明:改进的OSDA-BP方法能有效提升性能。(3)针对自动驾驶缺乏真实场景数据训练的问题,提出通过迁移学习来解决仿真环境自动驾驶到实际环境自动驾驶的迁移机制。对此,本文提出了一种在没有任何标注信息的真实道路场景中,将基于仿真系统学到的驾驶策略迁移到真实场景的方法。为验证本章算法,本文选择在一段园区道路上进行了闭环的实车测试,在不需要人为干扰的情况下,车辆可以通过网络系统跑完整个闭环,从而证明了算法的有效性和可靠性。