随着大数据时代的到来,图像数据的采集变得越来越简便与多样化。在现实应用场景中,由于采集设备、拍摄角度、目标物遮挡等外部条件是动态变化的,因此采集到的图像数据即使表示的是同一类目标,数据分布也几乎都是不一致的。大多数现有的机器学习算法是基于训练数据和测试数据分布相同的假设进行训练和测试,并不适用于处理在复杂的现实环境采集到的图像数据。作为迁移学习方法的具体应用,交叉领域识别可以有效解决上述问题。交叉领域识别是一种利用源域数据与目标域数据之间的内在联系将从源域学习到的知识迁移到目标域中,以实现知识复用的学习方法。此外,如何将在现有相关领域的大量标签数据中学习到的知识,与新领域的标签缺失数据的信息进行匹配,从而学习到可迁移的知识,这对快速提升模型的学习性能尤为重要。因此,在知识复用的过程中,如何减少不同领域之间数据分布差异,寻找有效的、域不变的特征是本文研究的重点与难点。为此,本文提出了用于交叉领域识别的投影交叉重构方法。该方法是利用来自不同领域但具有相同标签的数据间具有很强的相关性的共识而设计的一种新的数据重构方法。首先,为了利用不同领域相同类别数据之间的信息,该方法对源域和目标域的数据进行重新排列,将来自不同领域中标签相同的数据各自排列在一起形成两个新的交叉数据矩阵,作为新源域与目标域。然后使用两个不同的投影矩阵将新的交叉数据投影到两个近似子空间中得到投影数据。并在不引入任何额外矩阵的情况下用投影数据本身作为重构系数矩阵,在投影数据间进行交叉重构。这保证了来自不同域的数据可以很好地相互交织,并且能够将表示同一目标但分布不一致的数据相互对齐。因此,该方法解决了交叉领域数据分布失配的问题,能够得到有判别性的、可迁移的特征表示。同时,该方法将分类器学习和特征表示学习集成到一个统一的框架中,使得这两个任务可以迭代更新直到满足终止条件,从而避免局部最优问题。为了检验本文提出的投影交叉重构方法的有效性,我们将本文方法在六个不同种类的公开数据集上,与相关领域的八个对比方法进行了大量实验。实验结果证明了本文算法的识别率比现有的交叉领域识别方法提升了2%～5%。同时通过对模型特征表示的可视化实验,证明了本文算法可以有效地减小不同领域但相同类别的数据之间的分布差异。通过收敛性分析实验,证明了本文算法可以在5次迭代内快速达到收敛。通过对模型的参数敏感性分析发现,子空间的维数变化对本文方法识别率影响不大,证明了方法的鲁棒性。综上所述,本文通过理论分析与实验证明了本文提出的算法是切实可行,且具有重要现实意义的。