随着科技的发展,可供使用的数据规模与计算资源成倍的增长,机器学习在理论研究和实际应用方面均有惊人的进展,目前已广泛应用于大数据分析、计算机视觉、自然语言处理等实际应用中。图像分类问题作为机器学习的重要方向,得到了广泛的研究,但目前仍存在不少挑战。例如,实际所获得的图像可能带噪声或者遮挡块;训练集与测试集数据可能不满足独立同分布约束,分布不同但又有一定的关联性;采集到的图像数据分布不均衡、部分样本不含标签信息、某些类别样本数量过少甚至可能没有,普通分类器在这些数据集下进行训练可能难以获得较好的分类结果。在传统图像分类任务中,训练集与测试集数据与标签分布往往属于同一个域,当图像分类任务发生变化时需要重新训练算法模型。而在现实场景中,图像分类任务往往来自不同的域,需要对未见过实例的样本进行分类。如何在不同但又存在关联的领域之间挖掘数据结构的相似性并实现信息的迁移,是极具研究意义的方向之一。面向单域及跨域图像分类任务,针对带噪声、半监督、样本分布欠适配以及小样本等问题挑战进行研究,提出了相应的传统学习算法或深度学习模型。主要工作可概括为以下几点:在传统机器学习任务中,针对带噪声的图像处理问题,提出了一种基于基追踪模型的迭代投影离散算法。所设计算法将原稀疏表示问题中的约束条件进行归一化并加以范数约束,以降低样本数据分布存在异常点对算法造成的影响,提高算法鲁棒性。此外,通过将1范数的梯度转换为连续投影函数,增强了算法的收敛性,并从理论上证明了算法产生的迭代序列可以收敛到问题的一个稳定点上。实验证明,所提出的稀疏表示算法在含噪声的图像分类问题上相比其他稀疏表示算法表现更佳。在零样本学习任务中,针对训练集中只有部分标签信息可用的半监督学习问题,提出了一种基于低秩恢复的语义分组算法。通过映射函数将高维特征映射到低维语义信息与标签信息的联合矩阵,利用低秩约束获取相似类别样本特征、语义信息的相关性,并在一定程度上对缺失信息的联合矩阵进行补全。实验结果证明了在半监督条件下的零样本分类任务中,所设计算法显著优于当前零样本学习算法。在零样本学习任务中,针对不同领域内样本数据的概率分布存在失配的现象,提出了一种基于语义图对齐的生成式融合网络。利用生成对抗网络依据给定的语义属性信息为原型增加样本量,再利用融合机制进行数据的线性扩充。设计损失函数指导生成对抗网络的训练过程,使得生成样本分布更加接近原始样本分布,从而解决了因适配边缘概率分布不同导致的欠适配问题。实验结果证明了模型的有效性、泛化性和通用性。在领域自适应任务中,针对训练数据不足的小样本学习问题,提出了深度融合式最优传输模型。对小样本训练集进行数据的线性增强,通过最优传输模型学习两个域的耦合矩阵,并对齐两个域的特征表示分布。利用谱约束正则化提高融合式最优传输模型的可转移性和判别性,并从理论上分析了模型的近似误差边界值。实验结果验证了所设计的模型在处理小样本领域自适应问题的优势性。针对单域及跨域任务中的图像分类任务,分别从浅层传统算法和深层网络模型进行了算法模型研究,旨在解决不同限制条件下的机器学习问题,提高算法模型的鲁棒性和泛化性,并取得了较好的研究成果。