近年来,深度学习算法被广泛应用于各个领域,然而,大规模的带有标签信息的数据是该类算法取得良好性能的前提条件。众所周知,标注大量数据的成本是极其昂贵的,因而该前提条件不易被满足。值得庆幸的是,现实中存在大量已标注的和目标任务中数据相关的数据集,那么,如何利用已有的带标注数据,在目标任务中数据没有标签信息的情况下,建立深度学习模型以减小标注数据的成本,成为当下研究的热点。本文针对目标域数据标签不足的问题,考虑到生成对抗网络可以生成符合真实分布数据的特性,于是,将该网络扩展到迁移学习领域。将带标签的源域数据作为生成器网络的输入,无标签的目标域数据作为判别器网络的输入,通过生成对抗损失以及设计的边缘结构损失控制生成器网络的输出,从而完成目标任务。具体的贡献如下:(1)本文提出了基于素描标注信息的生成对抗网络迁移学习方法。首先,通过由初始素描图得到的边缘标注图去训练端到端的基于素描标注信息的边缘分割网络,省去人工标注图像边缘标签的成本;其次,利用该边缘分割网络提取到的图像边缘信息,设计边缘结构损失,对源域图像和其经过生成器网络的输出图像进行结构约束,使生成器网络输出和源域图像结构相似、符合目标域数据分布的样本,从而对目标域数据进行分类。实验结果表明,本方法有效地控制了生成器网络的输出,并在数字数据集上同几种迁移学习方法相比取得了较好的效果。(2)本文提出了基于目标域样本选择和素描标注的生成对抗网络。针对基于素描标注信息的生成对抗网络没有考虑到源域数据和目标域数据间结构相似性的问题,对该网络加以改进。首先,基于矩阵F范数对目标域样本进行筛选,并赋予伪标签信息;其次,利用提取的边缘结构信息,增加对生成器网络的输出图像和目标域对应类别图像间的结构约束,使生成器网络输出和源域图像结构相似,同时满足目标域数据分布且结构与目标域数据更相似的样本,从而对目标域数据进行分类。实验结果表明,本方法在数字数据集上同基于素描标注信息的生成对抗网络迁移学习方法相比取得了更高的准确率,且和其他方法相比也取得了较好的结果。(3)优化训练基于目标域样本选择和素描标注的生成对抗网络,并将其应用到构建的飞机模板数据集上。考虑到飞机模板数据集中源域和目标域飞机形状的相似性,针对目标域数据样本较少的问题,通过调整网络的训练方式,采取预训练的手段,实现飞机目标的跨域分类。