人类通过视觉系统可以去感知周围的世界,机器也可通过计算机视觉技术来感知周围环境。比如通过目标检测技术在某张图像上检测属于某个类别的实例,以及可以通过语义分割技术来对图像数据进行更加精细的像素级别的分类。然而,无论是目标检测还是语义分割,两者都是仅处理单帧图像数据。当处理实时视频数据时,这些技术都是将视频数据拆分为逐个图像之后再逐个处理,从而忽略了时序信息。因此,通过技术手段让机器能够对视频中的时序信息加以利用,从而正确分析和理解视频内容显得尤为重要。光流表述的是图像序列中相邻两帧之间各个像素点的运动情况。光流被广泛应用于各类更高级别的视觉任务中,例如动作识别、目标跟踪、三维重建等等,因此,光流是视频分析与内容理解方面一大研究热点。2015年,基于深度学习技术的光流计算方法被提出,而后大量的研究工作在此基础上展开。现阶段,光流任务上性能表现最好的方法依然是基于深度学习的方法。该类方法大致可分为两种:有监督的方法和无监督的方法,前者使用带光流标注信息的生成数据或者人工标注的数据集进行训练,其性能表现优越;后者在训练过程中只需原始数据,无需对数据进行标注,节省标注成本。但是上述两种方法都存在不足之处,有监督的方法虽然其性能表现突出,但是其训练过程中需要大量的带标注信息的数据,即使使用合成数据训练模型,在真实场景的数据上进行测试时也会因为数据分布不一致而导致模型性能大幅度下降;无监督的方法虽然无需对数据进行标注,但是无监督方法的性能和有监督的方法相比还是存在很大的差距,难以达到实用的要求,而且无监督的方法训练所需的时间和数据都比有监督的方法要多。基于上述两点不足之处的考虑,本文提出基于领域适应的光流计算方法。使用迁移学习领域适应技术来缓解由于数据分布不一致问题导致模型性能下降的问题,设计领域适应自动编码器模块对分布不一致的数据进行特征对齐,以及过滤掉对光流计算的一些不利因素,最后设计一个完整的端到端的网络框架。通过训练后,本算法可以在无标注信息的新场景数据上表现不错的性能。