船只作为人类海上活动最重要的载体，在边境管理、环境保护、交通监控以及海上搜救等方面发挥着重要作用。星载合成孔径雷达(synthetic aperture radar，SAR)覆盖范围广，能够全天时、全天候实现对地观测，因此广泛应用于海上船只监测任务。近年来，随着新一代SAR卫星成像任务的开展，中高分辨率的SAR船只图像逐渐增多，使得海上船只监测任务从简单的船只目标定位进一步发展到更精细的船只类型识别。
　　目前，SAR船只分类任务仍然存在诸多亟待解决的问题和挑战。一方面，受成像机制的制约，SAR图像通常只能提供有限的判别信息。这导致普遍存在的类间差异小、类内差异大的细粒度分类问题在SAR船只分类任务中尤为严重，具体表现为不同类别之间的SAR船只图像只有微小的视觉外观差异，而属于相同类别的SAR船只图像却表现出诸多外观变化。另一方面，对SAR图像中的船只进行标注通常是一个耗时耗力且昂贵的过程，不仅需要相关领域专家的协助，还需要进行昂贵的地面活动，包括租用船只开展海上实验、实地考察获取船只标签等，甚至在很多实际应用场景中根本无法完成图像标注。这导致有标记的SAR船只图像十分匮乏，严重制约着监督学习方法在SAR船只图像分类任务中的性能。因此，本文重点面向上述两个问题设计针对性的机器学习方法，主要创新点包括:
　　1.针对细粒度分类问题，提出了分布偏移度量学习方法，通过联合优化成对约束、类间分布偏移和流形正则项学习自适应训练数据的距离度量。另外，基于最大均值差异测度设计了两种类间分布偏移正则项（局部和全局），通过拉大不同类别之间的分布差异提高距离度量的判别能力。
　　2.针对标记样本匮乏问题，提出了判别联合适配正则化框架，通过联合优化结构风险函数、联合分布适配、流形一致性对齐和源域判别信息保留学习域不变分类器。另外，基于类内散度矩阵和成对约束分别设计了两种源域判别信息保留正则项，在领域适应的过程中将源域的判别信息迁移到目标域，从而提高域不变分类器的判别能力。
　　3.为了同时解决上述两个问题，提出了几何迁移度量学习方法，通过联合优化成对约束、联合分布适配和流形正则项学习自适应目标域的距离度量。另外，基于不同的训练策略解决了两种迁移学习应用场景:零标记样本任务和匮乏标记样本任务。
　　上述方法基于SAR船只数据集进行了系统性的实验和深入的分析。实验结果表明，提出的方法不仅胜过了大多数已有的方法，取得了良好的分类效果，还有效的解决了细粒度分类问题和标记样本匮乏问题。