随着深度网络的快速发展和各类数据的日益膨胀,人们越来越倾向于利用大规模数据训练一个深度模型来解决现实生活中的一些视觉任务,比如基础的图像分类问题。但是实际中往往会存在某些领域标记数据少、甚至某些类别无数据可用的情况,重新进行数据标注代价又太大,因此无法训练一个有效的分类器。不过,在一些别的领域存在充足的标记样本,这些领域与目标域相似却又存在差异,那么如何利用这些相似领域的数据来辅助目标任务是迁移学习主要研究的问题。本文主要从图像分类问题中的单源迁移、多源迁移和零样本分类三个方向展开研究,主要内容如下。首先,本文研究了无监督的单源域适应问题,给出一种基于联合判别特征的对抗域适应方法。利用特征提取网络和域判别网络之间的对抗来学习可迁移的特征,同时扩展域分类器的输入,使其判别时即考虑到特征空间,又考虑到具有判别信息的标记空间,通过不断迭代来修正目标域的伪标记空间。在源域标记信息的指导下训练一个分类器,并对分类器进行约束,使其能够用于对目标域数据的分类。在公开数据集上进行实验,说明了该方法能够在目标域数据均无标记的情况下对其良好分类。其次,本文研究了无监督的多源迁移学习问题,针对多个源域之间均存在差异且和目标域不同的情况,设计一种基于多域对抗融合思想的多源迁移学习方法。将特征提取过程分为两部分,依次用域共享和域特定的特征提取网络来提取源域和目标域图像的特征,在每个域中利用域判别器和特征提取网络之间的对抗,使得提取到的特征具有域不变性,从而促进知识迁移,并且在特征空间中对齐条件分布,进一步加强特征的可分性。在每个源域上都训练一个分类器,最终目标域数据的分类结果由多个源域分类器的预测值融合得到。在多个数据集上进行实验,结果表明该方法能够融合各个源域的优势,提升目标域数据的分类性能。最后,本文研究了迁移学习的特殊情况——零样本学习问题,从数据生成的角度,给出一个基于生成模型的改进方法。首先,将语义特征作为条件信息,建立一个语义条件生成模型,并且利用分类器约束和类别特征对齐约束使得生成的特征具有判别性,通过一个视觉特征到语义特征的逆映射使得生成的特征能够充分表示语义信息。利用训练好的条件生成模型可生成未知类别的视觉特征,从而将问题转变为有监督的分类问题。识别测试数据的时候,采用二次分类模型进行预测。在多个零样本数据集上的实验结果表明,基于该改进生成模型的零样本分类方法能提升测试集的分类性能,尤其是未知类的分类正确率。