无监督域适应利用有标签的源域样本和无标签的目标域样本,通过领域之间的相似性构建跨领域学习模型,能够解决传统机器学习中训练样本标签稀缺以及难以满足独立同分布条件的问题。因此,如何从大规模的跨领域高维图像中获取有效的领域共享知识,实现图像信息的高准确度识别,已经成为域适应研究领域最具挑战性的问题。特征适配是域适应的一个主要研究方法,其目的是挖掘跨域共享特征,寻找更好的特征表示,以弥合跨域分布差异。本文围绕基于特征适配的域适应展开研究工作,以低秩子空间学习为基础研究框架,有效利用对分类有意义的类别先验信息和局部结构信息,探索隐藏在数据底层的内在规律,最终达到提升跨域图像分类模型的鲁棒性、泛化性和有效性的目的。具体研究内容如下:1.针对目前基于低秩子空间学习的域适应方法中存在的不足,提出了一种判别与结构信息保持的域适应方法。该方法通过使用标签松弛矩阵最大化源域不同类别样本的类间距离、同时施加源域类间稀疏约束缩小来自同类别样本的距离,有效保留源域的判别信息。此外,利用自适应概率图保留样本的局部近邻关系,捕获数据底层的非线性几何结构信息,避免一味增强源域的判别力导致在目标域样本上产生过拟合问题。大量实验研究结果表明,在源域知识向目标域迁移的过程中,保留判别信息和结构信息能够有效提升分类性能。2.针对目前基于低秩子空间学习的域适应方法中单步骤优化容易取得局部最优解的问题,提出自适应图约束与分布对齐联合的域适应方法,使用两步骤渐进式训练策略,同时通过四个约束项对齐源域和目标域。首先,子空间对齐项同时约束两个域对应的投影子空间相近,在减少域差异的同时,提供更强的子空间学习自由度。其次,数据对齐项使得在特征重构时同一类样本对应的系数向量高度相关。最后,标签对齐项和图结构对齐项在判别的目标域投影子空间构建图结构,利用特征对齐损失函数聚类来自同一类的样本,最小化域间条件分布差异,最大程度地保留数据的局部相似性,提升子空间的判别力。在多组基准数据集上的实验结果验证了所提出方法的有效性。