图像识别是人工智能领域的一个重要研究方向,传统的基于深度学习的图像识别算法不仅需要大量的标注图像作为训练数据,并且假设测试数据和训练数据服从相同的概率分布。在实际的应用场景中,收集如此庞大的数据及其标注需要耗费大量的人力、物力和时间;另外,随着时间的推移或任务的调整,测试数据和训练数据在分布上往往会发生偏移,导致模型在新环境中的适应能力变差。为了减小对标注数据的依赖和由数据分布差异所带来的模型性能下降,本文研究基于深度迁移学习的图像识别算法,利用相关源域的标注数据来辅助目标域图像的识别。具体的研究内容包括:1.研究基于生成对抗模型迁移的图像识别算法,提出一种对称的双向生成对抗网络,在保护图像类别信息的前提下把源域图像迁移到目标域以学习目标分类器。具体地,本文使用最小均方对抗损失函数使生成器和辨别器在训练中形成对抗性博弈,逐渐促使生成器把源域图像的风格迁移到目标域。此外,为了保护图像在转换过程中的类别信息,本文采用双向生成对抗网络,结合双向类别一致性策略约束重构图像和原始图像的类别一致性。2.研究基于自集成迁移的图像识别算法,提出一种自集成的迁移学习模型,利用教师网络和学生网络实现领域知识的迁移。具体地,教师为目标域图像生成伪标签,指导学生学习目标知识;而学生把学习到的知识反馈到教师,提高教师在目标域的泛化性能。通过如此指导和反馈的策略,教师和学生逐渐学习目标域图像的知识。除此之外,本文使用置信度阈值和类别平衡技术选择和平衡教师生成的伪标签,提高教师对学生引导的准确性。3.研究基于生成对抗模型迁移和基于自集成迁移的图像识别算法的优缺点,提出这两种方法的联合模型。具体地,在生成对抗网络迁移源域图像到目标域之后,借助平均教师模型进一步提高生成图像和目标域图像的知识共享;同时,平均教师模型把类别信息反馈到生成对抗网络进一步提高图像转换中的类别一致性。针对平均教师模型和生成对抗网络联合训练中导致的训练不稳定问题,本文使用梯度惩罚和权重谱规范化技术,提高训练的稳定性和模型的迁移性能。4.本文在六个常用的开源迁移学习数据集中验证所提出的算法的迁移性能和分类性能。相比于相关的主流算法,所提出的算法对目标域图像的识别性能具有一致性的提高。