随着人工智能与机器视觉技术的快速发展,多场景、跨域交叉应用成为智能化目标识别算法发展的新趋势。由于应用场景的多样性,难以为每一个全新的场景采集并标注足量的训练样本,甚至在很多情况下,新场景中的样本完全没有标签,即所谓的“无监督”条件。这要求目标识别算法能够复用已有的标签样本和新场景下的无标签样本对识别模型进行无监督训练,使其能够有效地推广到新的应用领域,实现跨域目标识别。目前,以概率分布建模为基础的概率分布适配技术是解决跨域目标识别的主要方法。然而,在无监督条件下存在标签信息缺失、样本数量不足等问题,导致现有方法不能很好地建立数据的分布模型,降低了算法的跨域识别性能和泛化能力。本文围绕上述问题展开研究,重点解决因样本标签信息不完备而导致的识别模型泛化能力不强及识别性能不佳的问题,改善当前目标识别算法的应用领域局限性,进一步优化算法的通用性和推广能力。本文的主要工作如下:由于无监督条件下样本的标签信息完全缺失,不能准确建立样本的条件概率分布模型,导致基于概率分布适配的传统跨域识别算法无法有效实施。本文首先研究无监督条件下的概率分布建模方法,利用标签分布的先验信息和伪标签预测算法,更为准确地建立数据的条件概率模型。在此基础上,研究数据分布差异的修正与适配技术,提出一种基于联合分布适配的跨域目标识别算法,并基于PAC学习理论研究了算法的跨域泛化能力和误差边界。由于该算法能够建立更加准确的数据条件分布模型,实现了样本条件分布差异与边缘分布差异的联合修正,因而具有更好的跨域识别性能。实验结果证明了该算法在无监条件下的有效性。当样本数据存在噪声时,会由于数据分布建模偏差引起识别率下降,因此本文研究了噪声条件下的跨域目标识别问题。结合概率分布适配与参数正则化理论,推导出噪声条件下识别模型在不同数据域中所满足的参数相似性约束,研究基于该约束的数据分布建模方法。在此基础上,采用矩阵正交分解理论和深度学习技术,建立了噪声条件下基于参数相似性约束的跨域目标识别优化算法模型。相比于已有算法,该算法从模型参数的角度间接地建立数据分布模型,不需要目标域样本的标签信息,能够在无监督条件下更有效地降低样本噪声对数据分布建模的影响,提高了算法的识别准确率。实验表明,算法在噪声条件下的跨域识别性能优于传统方法。当数据域中的样本数量十分稀少时,很难有效地提取目标特征并建立相应的数据分布模型,上述基于概率分布适配的跨域目标识别算法不再适用。对此,本文研究了少样本条件下的目标特征提取方法,利用属性学习技术对样本数量依赖较小的特点,从少量样本中高效地提取出目标的颜色、形状等人为定义的语义属性,作为目标特征的有效表示。在此基础上,利用有向图模型来表征属性特征之间的语义关系,研究基于特征关系的数据建模方法,解决少样本条件下的数据建模问题,进而实现少样本跨域目标识别。由于本文算法采用生成对抗网络实现了对样本视觉特征和属性特征的同时提取,并通过深度图网络对样本的属性和视觉特征进行联合建模,增强了算法的分布建模能力,因而具有更好的跨域识别性能。实验结果证明了该算法在少样本条件下的优越性。在实际应用中,使用多个数据源的样本会提供更加丰富的信息,进一步提高算法的跨域识别准确率,因此本文研究了多数据源条件下跨域目标识别算法模型的建立问题,并应用于飞行目标识别。对飞行目标识别中的多源分布适配问题进行了分析,采用多分枝生成对抗神经网络,对大样本条件下的单源分布适配算法进行了拓展,提出一种多源选择分布适配算法(MSDA),实现对多个数据域概率分布的一体化适配。在此基础上,为了进一步提升算法的实时性与可行性,研究了基于多核异构处理平台的算法加速技术,对基于MSDA的飞行目标识别算法进行了优化设计。最终通过仿真实验验证了算法对解决飞行目标识别问题的有效性与实用性。