随着图像采集技术和图像存储技术的不断发展,人们在日常生活中面对的图像信息越来越多。相对于文本数据,图像信息更加生动形象,易于理解。然而,在实际应用场景中,受拍摄角度、背景、光照等各方面因素的影响,训练集和测试集通常会存在分布差异问题,重新对图像进行采集和标注又是一项非常耗时且繁琐的工作。在训练集与测试集存在分布差异的情况下,传统的图像分类技术很容易受到影响,造成分类性能的急剧下降。迁移学习（Transfer Learning,TL）/域自适应（Domain Adaptation,DA）作为一种跨领域识别技术,由于其非常好的发展前景和潜在价值,受到了研究者的广泛关注。为了降低分布差异带来的负面影响,大部分基于特征的迁移学习算法旨在学习一个公共子空间,将所有样本转换成新的特征表示形式。本文在现有迁移子空间学习算法的基础上,进行了深入的研究和分析,提出了两种基于跨领域迁移学习的图像分类方法,具体如下:1.提出了基于自适应局部流形学习的无监督域自适应（UDA＿ALML）算法。目前,许多基于子空间学习的领域自适应方法忽略了原始数据的局部流形结构,或者存在局部流形正则化项中的参数选择问题,这可能限制了跨域图像分类的有效性。为了克服这个问题,本文提出了用于跨域图像分类的迁移学习方法UDAALML。为了保持原始高维数据的结构信息,该方法将稀疏表示、流形学习和低秩表示结合到一个框架中来学习公共子空间。此外,为了能够自适应的捕捉数据的局部流形结构,所提方法将传统局部流形正则化项中的权重矩阵替换为低秩和稀疏表示方法的重构系数矩阵。最后,通过大量的实验并与几种有代表性的迁移学习方法进行对比,证明了所提方法在跨域图像识别方面的有效性。2.提出了基于动态分类器逼近的无监督域自适应（DCA）方法。大多数基于特征的迁移学习方法直接学习原始高维空间到低维标签空间的映射,这种方式对变换矩阵的要求太过严格,并且没有与分类器方法相结合。因此,本文提出了一种新的用于跨域图像分类的迁移学习方法DCA。具体来说,一方面,通过结合低秩表示、稀疏表示、流形学习和分布对齐方法来学习一个判别的公共子空间,在保持数据结构信息的同时降低两个域之间的分布差异。另一方面,学习一个动态分类器,将公共子空间中的源域样本进行分类,拉近分类结果和源域真实标签之间的距离,增强模型的鉴别能力。最后,通过大量的跨域图像识别实验验证了所提方法的有效性。