在视觉领域中,收集充分标注数据代价昂贵,而标准监督学习在标注数据稀缺时泛化能力差,无法满足实际需求,领域适应作为一个新兴的机器学习方法,旨在利用有丰富标签的源领域数据训练分类器,用于无标签或少量标签的目标领域。目前,跨领域迁移学习效果不理想的主要原因是存在负迁移、欠适配和欠拟合等三大问题,而另一种更具挑战性的情况是源领域与目标领域处于异构特征空间,致使迁移更加困难。因此,针对上述问题,本文的主要研究内容为:第一,针对同构领域适应,如何学习有效特征并最大程度减小领域间的分布差异以改善欠适配问题,提出了基于自动编码器的领域适应网络。首先,源域和目标域样本分别经过两层编码和解码操作以最小化重构误差学习更有效的特征表达;然后,分别在特征提取层和分类层使用最大均值差异准则同时匹配领域间的边缘和条件分布以最小化分布差异,并使用softmax分类器将源数据标签信息编码以提高分类表现;最后,通过梯度下降法学习网络参数,根据分类器的输出完成对目标域无标签样本的预测。第二,针对同构领域适应,学习模型未能充分描述预测数据所服从的概率分布而同时导致欠拟合和欠适配问题,且普通图正则项的引入未能充分改善负迁移问题,提出了基于超图正则化降噪自动编码器的领域适应网络。首先,通过降噪自动编码器提取更具鲁棒性的特征以减小欠拟合问题;其次,使用最大均值差异准则同时匹配领域间的边缘和条件分布以解决欠适配问题;然后,根据源和目标领域样本间关系引入超图正则项以解决负迁移问题,并根据源领域真实标签得到分类器损失函数;最后,通过梯度下降法学习网络参数,完成目标域样本的分类。第三,针对异构领域适应,浅层结构无法很好地拟合数据分布并得到更有效的特征表达,且未同时考虑到领域间数据分布的匹配以及几何结构和标签的一致性,提出基于自动编码器的异构领域适应网络。首先,分别利用两组自动编码器将源和目标领域数据映射到共享特征空间,并使用最大均值差异准则同时匹配领域间的边缘与条件分布;其次,引入流形对齐项,其中几何项用以保持领域内数据几何结构的一致性,相似项和相异项则用以保持领域间标签信息的一致性;然后,利用源领域和目标领域的标签信息,得到softmax分类器损失项;最后,通过梯度下降法学习网络参数,实现对目标域无标签样本的分类。在多个数据集上进行的对比实验结果表明,与传统同构和异构领域适应方法相比,本文所提模型均能够获得更好的分类表现,有效解决跨领域知识迁移问题。