近年来，深度神经网络在解决各种机器学习问题和应用方面取得了重大进展。然而，这一显著进步得益于大规模下可用的带标签数据。通过手工标记足够的训练数据用于特定应用任务上通常是不可取的，在缺乏标记数据这一问题上，亟需设计出通用的算法以减少在人工标记上的消耗。领域自适应方法能够应用机器学习方法针对一个分布中采样的数据进行训练，并将其应用于另一个分支中采样的数据，其核心是适应不同域的数据分布变化。但是，在实际应用场景中，一方面，通常很难做到源域与目标域的标签空间是一致的，另一方面，存在着因源域对应空间下的数据量稀少而引起的过拟合问题。
　　针对上述提到的，本文建立起非共享且稀有的迁移学习研究问题，采用条件对抗训练与外部知识推理结合的方式对图像数据进行分类，深度对抗网络可以降低不同领域特征表示的分布差异，外部语义知识可以加强自动学习能力，相对于传统的领域自适应方法能够更加高效地训练且得到更准确的识别效果。
　　首先，本文以餐厅智能收货场景为切入点，在分析了图像分类和领域自适应等前期研究工作的基础上，提出了一种基于条件对抗网络和先验树的领域自适应模型(CTAN)。与以前的将源域和目标域的特征分布进行完全匹配对齐的方法不同的是，该方法可以将同一层级下的非共享类知识联合借用到源域的共享类中，进一步利用条件对抗网络将共享类的知识从源域迁移到目标域。并且将CTAN跟现有的域适应模型做比较与分析，两个数据集的实验结果均验证了该模型的有效性。
　　考虑到先验树仅使用到较浅的层级关系，为了充分利用类别标签中丰富的语义信息，进一步设计了一种全局语义推理下的条件对抗域适应模型(GADA)。旨在利用外部知识来增强局部特征表达和节点之间的知识传递，这是通过两阶段算法实现的。在第一阶段，将迁移下的图推理层(TGR层)嵌入到卷积层的后面，该TGR层基于先验知识对图节点执行语义推理，以实现相邻节点之间的知识共享。在第二个阶段，通过对抗性领域自适应来实现的，以使多峰分布对齐，从而实现不同领域之间的知识共享。将所提出的算法在多个数据集上进行了评估，性能均优于最新算法。