随着深度学习的发展,各种应用场景的出现。如何将优秀的卷积神经网络模型或算法应用到实际场景中,成为了当下普遍的难题。首先,具有优秀表现的网络虽然在标准大数据集中具有非常好的表现,但是却难以直接应用于复杂的实际环境中。其次,在复杂的应用环境中收集大量的数据需要大量的时间成本、人力成本和设备成本。模型算法的好坏不仅有数据量的约束,而且在应用场景中也有设备可移动化等硬件限制。与此同时,这些移动设备的计算能力相当有限,不能保证复杂卷积神经网络的计算实时性,设备的储存空间也不允许复杂网络庞大的参数量。综合上述在第一章解释的相关问题,本文在第二、三章提出了一套综合的解决方案。尝试通过建立分布一致性约束,将源数据集中的知识运用到目标场景中,帮助目标场景建立模型。此外,在模型知识迁移的过程中,框架解决了目标环境下缺少数据和数据难以标注的问题。整套解决方案建立在卷积神经网络之间的特征空间分布一致性约束上。该方法通过用小型化的卷积神经网络拟合复杂网络的表现,来建立迁移学习框架。此外还在各种标准数据集中进行应用。在多重实验的反复论证与实际使用当中,充分验证了基于卷积神经网络的分布一致性约束的知识迁移框架具有有效性。我们利用提出的框架,分别解决了现实应用中的若干问题。在第四章中,如近红外人脸识别算法更新、人脸人证离线对比、服务机器人寻物等实际问题。同时,我们证明了该框架具有训练快收敛快的特性。在第五章中,我们加入了增量式物体识别在分布一致性约束框架下的设计与论证。本文的工作从三个方面进行:首先通过理论和基础实验的论证,证明了分布一致性约束框架的可行性与有效性;接着通过人脸识别的诸多领域问题,细致地解决了近红外人脸识别与人证对比领域的难点痛点;最后,通过扩展分布一致性约束框架,使其应用于服务机器人的寻物任务当中,并在极小模型和少量类别的约束下获得了可接受的识别率与正确率。