在机器学习中,鲁棒的分类器通常需要使用大量的数据来训练。但在实际应用中,收集并标注大量数据是一件成本高、耗时长的事情。域适应,作为迁移学习方法的一种,能够使计算机利用一个域(源域)中学习到的分类模型迁移到另一个域(目标域),从而完成对目标域数据的分类。其中,源域中的数据都是已经标注好的数据,目标域中的数据则全部没有标注或只有少量有标注。而异构域适应方法则是为了处理域适应任务中,源域和目标域拥有不同特征表示的情况。本文提出了一种利用增量学习的异构域适应方法。使用两个不同的投影矩阵,通过特征计算的方法,分别将源域和目标域的数据投影到一个具有较强判别能力的公共子空间。在这个子空间中,类内样本的差异较小,类间样本的差异较大,而且源域和目标域的分布更加接近。为了更适用于数据量较大的情景,本文提出了增量学习的方法,即可以让数据以分批次或以数据流的形式到来,而不需要一次性全部给出。每当有新的数据到来时,模型会通过特征分解和特征空间合并的算法,将现有的投影矩阵更新为新的投影矩阵,而无需使用整个数据集从头开始计算。因此,本文的增量学习算法可以显著地减小时间复杂度。本文在动作识别、物体识别、跨语言文本分类三种不同任务上进行了多组实验,实验结果证明了本方法在提高分类准确率和降低计算复杂度上的有效性。