近几年,人脸识别和视频监督等应用受到了人们的巨大关注,但是由于受到图像获取装置与物体之间相对运动、镜头散焦或者大气湍流等因素的影响,通常会获得大量模糊的图像。常见的人工构造的视觉描述子,如LBP、HOG等,属于模糊敏感的描述子。尽管现阶段已经提出一些模糊不敏感的描述子,例如LPQ、不变矩等,但这些描述子大都基于中心对称假设来构造的。由于现实中的模糊大都不满足中心对称假设,这些描述子的识别性能迅速下降。首先,论文提出一种基于迁移学习机制的模糊图像识别算法,该方法将具有标签信息的清晰图像集作为源域,将待识别的模糊图像集作为目标域。因为常见的视觉描述子都不具有完全的模糊不变性,两个域在特征空间中具有很大的分布差异。论文通过子空间对齐的方法使得两个域更加接近,构造更鲁棒的分类器。其次,论文提出一种基于测度学习的迁移学习算法,该方法充分利用清晰图像的标签信息,构建表达能力更强的源子空间,同时提出一种新的子空间对齐算法。然后,论文提出一种基于低秩分解的迁移学习技术,使用多级低秩分解后的平均稀疏成份作为两个域的新的特征表达,在新的特征空间进行子空间建立和对齐,提升多模糊情况下的模糊图像识别能力。最后,论文研究深度学习卷积神经网络结构提取的特征在模糊情况下的域不变性,利用VGG-16网络进行特征提取,并使用线性SVM进行分类。论文在人脸、纹理、场景三类数据库上进行实验,验证模糊域图像分别存在单模糊类型和多模糊类型时各类方法的有效性。实验结果表明,三类迁移学习技术在各种情况下都取得了较好的识别结果。同时卷积神经网络特征相较于普通的视觉描述子具有较高的模糊域不变性。