如何利用标记样本充足的现有数据集帮助仅有少量标记样本的相关目标数据集学习一个有效的模型是目前机器学习的主要问题之一,领域适应学习方法由此得以提出。领域适应学习旨在将源域的判别信息迁移至信息匮乏的目标域,以帮助目标域模型的学习。然而,现有基于视觉分类的领域适应学习方案大多侧重于视觉理解或特征学习,这可能导致存在低级特征和高级语义之间所谓的语义鸿沟。此外如何有效区分先验模型中的有用信息是另一个尚未解决的问题。这些问题同样存在于利用视觉数据进行抑郁症识别的方法中。这些方法存在一个普遍假设:训练和测试样本从同一域中采样,其特征空间与边际概率分布相同。但是在采集视觉数据时,会由于一些外部环境因素导致存在很多不确定的变化,使得这些方法可能缺乏归纳能力,这将阻碍其在现实场景下的应用。为此,本文通过共同探索面部外观和动态特征表示,并将目标域中非常有限的信息与源域信息有效的结合,提出了一个鲁棒的潜在领域适应抑郁症识别（LDADR）框架。具体而言,LDADR利用面部外观特征发现一个信息量更大的潜在空间以最小化源域与目标域之间的分布差异,并将源域与目标域分类器模型的公共成分编码为低秩正则化项达到信息共享的目的。最后将所得到的两个分类器与基于目标域面部动态特征训练得到的分类器有效整合最终形成一个高效的目标分类模型。文中将LDADR与几种代表性的方法在三个抑郁症数据集上进行性能评估,结果显示几乎在所有学习任务中LDADR均有更出色的表现。在此基础上,本文接着又提出一种新的多源自适应学习框架:具有特征选择的多源自适应分类框架（MSACCF）。该框架与LDADR最大的不同在于MSACCF可以同时利用多个源域的知识而不仅限于一个源域至目标域的知识迁移。该框架将特征选择和潜在空间学习整合到一个统一的框架中进行联合学习。具体而言,MSACCF通过将来自多个源域的特征数据投影至不同的潜在空间中学习得到多个源域分类模型,最后将这些源分类器在目标数据上得到的多个分类结果进行整合用于目标分类模型的学习。此外,框架还利用L_2,1范数稀疏回归代替传统的基于L₂范数的最小二乘回归来提高框架的鲁棒性。最后在多个公开数据集上进行实验分析,以证明所提框架与现有相关方法相比具有更强的性能。最后对本文的研究内容进行了总结与展望。