图像识别模型的训练依赖于海量的标注数据。然而,由于多种外部因素例如拍摄视角变化和背景噪声的影响,不同数据集有着不同的性质。我们将不同的数据集视为不同的域。在一个域上训练得到的分类器可能在另外一个域上有较差的性能。因此,跨域技术希望尽可能利用多个域内不同类型的数据,使之适应于不同的数据分布,从而满足不同用户、不同设备、不同环境的不同需求,获得在每个域以及未知域性能最优的模型。目前已有针对跨域问题的多种解决方法,例如,针对多域图像分类的特征共享方法和参数共享方法,针对域泛化问题的域不变特征提取方法。但是目前研究跨域技术的方法仍有不足,本论文对不同的跨域问题提出了解决方案和算法实现,主要分为三个部分:多域图像分类的紧凑特征学习;基于统一空间编码和重采样的域泛化;针对联合域泛化问题的类别交错生成器。多域图像分类任务希望利用不同域的所有训练数据,提升在每个域上图像分类的性能。对于多域图像分类问题,已有的方法将每个域中的特征提取器分解为域公有部分和域私有部分,但提取公有特征使用的对抗训练策略将一个域内不同类别的数据视为一个分布,然后去匹配这些域之间的分布。它只考虑到了不同域之间边缘分布的匹配,从而导致不同类别的数据混合在一起,降低分类的性能。另一方面,目前的方法没有保证网络不同私有特征之间的正交性质,公有特征会同时出现于不同域的私有网络,网络因此没有充分利用其学习能力。多域图像分类的紧凑特征学习同时考虑到了跨域数据之间域不变特征联合分布的匹配,以及私有特征间存在的特征冗余问题,促使网络能够学习到独立紧凑的特征子空间,使得不同性质的特征更好的分隔开,达到更好的多域图像分类的效果。域泛化旨在多个域上训练一个能够泛化到未知但相关的域的网络。对于域泛化问题,已有的域泛化算法仅仅希望缩小已知域之间数据分布的差异,没有考虑未知域上数据的特征分布,因此,网络可能过拟合到已知域的域不变信息上。另外,仅仅在已知域中的样本上训练,无法全面覆盖未知域多种变化的样本,从而限制了网络的域泛化性。基于统一空间编码和重采样的域泛化提出通过变分编码,使得生成的隐层特征服从高斯混合分布先验。这个预先定义的高斯分布缩小了已知域与未知域之间分布的差异,同时有效地将不同类别的样本分离。此外,我们提出通过利用分布约束损失的梯度扰动样本特征,从而生成了新的超出预先定义的分布但在此分布附近的样本,提升了网络泛化的性能。已有的域泛化工作仅仅解决不同域具有相同的类别的情况。但是,现实的情况往往是域的变化带来类别的变化。我们引入联合域泛化作为一种新的域泛化问题,其中不同的域具有不同的类别空间,但未知域中的类别属于所有已知域类别的并集。我们提出利用生成模型完成类别对齐,从而在样本不足情况下获取域不变信息。此外,我们对类别和域信息进行解耦,通过样本的分类损失来约束类别信息,从而突破类别限制,在每个域中生成缺失的类别的样本。进一步的,本文的贡献和创新点总结如下:1).多域图像分类任务希望利用不同域的所有训练数据,针对性的分别学习公有和私有性质的特征,学习符合联合分布匹配的公有特征,同时避免网络学习冗余特征,提升在每个域上图像分类的性能。2).针对域泛化问题,我们利用变分编码的方法,将每个类别的特征映射到一个固定隐层空间内进行重采样,有效缩小了已知域与未知域之间分布的差异。进一步,我们在这个隐层空间内,利用对抗样本的方法,生成更多的样本特征,更好的覆盖未知域样本特征,提升网络的泛化能力。3).我们关注全新提出的交错类别的联合域泛化问题,考虑更为常见的在不同域中类别不同的情况。我们希望联合地补充已知域中缺失的类别信息和提取不同域之间的域不变信息,从而提升网络的泛化性能。