迁移学习或域适应学习是目前机器学习中一个热点研究领域,利用与目标域相关的源域知识辅助目标域的学习。异构域适应学习(Heterogeneous Domain Adaptation,HDA)是域适应学习的重要分支,由于源域和目标域间的特征空间不同,域间的知识迁移更具有挑战性。如何对齐不同的特征空间,自适应地迁移相关知识对于HDA而言至关重要。目前已出现很多HDA方法,但仍存在以下不足:1)只注重对齐源域和目标域的特征空间,忽略了源域或目标域的判别信息。2)对于源域信息的直接迁移,可能会造成负迁移问题。3)提取的特征只包含源域和目标域的共有特征,没有考虑到域的特有特征。基于以上考虑,本文的研究内容主要包括以下的两个方面:首先,考虑到直接迁移源域知识可能会导致负迁移问题,尝试创建一种新的基于自适应师生模型的异构域适应方法(Adaptive teacher-and-student model for heterogeneous domain adaptation,Ats HDA)。Ats HDA将源域作为教师,目标域作为学生,在源域的指导下自适应的学习目标分类器,以避免造成负迁移。实验结果表明,Ats HDA可以获得好的迁移学习性能。其次,考虑到已有HDA方法只提取源域和目标域的共有特征,而忽略了域特有特征,提出了异构域对抗分离网络(Heterogeneous Domain Adversarial Separation Network,HDASN)。HDASN使用新的多层半监督域对抗性网络,同时引入一种新的样本相似性目标函数,共同调整样本的表现形式,以适应不同的目标域学习任务。实验结果表明HDASN方法可提升迁移学习性能。