受启发于人类的经验迁移,迁移学习利用不同但相关的源域知识,解决当前域或目标域中的学习任务,目前已获得大量关注。现有迁移学习方法可分为单源和多源两种场景,基于单源的迁移学习方法仅关注如何减小源域和目标域之间的分布差异,忽略了源域和目标域样本自身的偏差。基于多源的迁移学习方法仅关注各源域和目标域间的知识迁移,很少考虑各源域间的相关性和共享信息。因此,本文基于字典学习框架,分别针对单源和多源两种场景提出两种新的域适应学习方法,具体方法如下:(1)在单源迁移学习中,针对无监督域适应(Unsupervised Domain Adaptation,UDA),提出基于稀疏字典表示的无监督域适应学习方法(Unsupervised Domain Adaptation with Sparse Dictionary Represtation,SRDA)。SRDA利用字典学习重构源域和目标域的样本,学习源域和目标域的字典及样本的稀疏表示,然后在其稀疏表示空间添加约束,使目标域可以在稀疏表示空间和源域共享同一个分类器,最后通过在源域稀疏表示空间学习的分类器对目标域进行分类,完成目标域分类任务,实现域适应学习。(2)在多源域适应学习中,提出一种基于参数字典的多源域适应学习方法(Multi-source Domain Adaptation based on Parameter Dictionary Learning,DL＿MSDA)。DL＿MSDA在多源迁移学习中引入字典学习方法,学习各源域模型参数的公共字典,挖掘源域间的共享知识,并将其迁移至目标域,指导目标域模型参数的学习,完成知识从多个源域到目标域的迁移。实验表明,提出的SRDA方法和DL＿MSDA方法在多个实验数据集上均优于其他经典的单源及多源迁移学习方法。