场景识别作为计算机视觉领域重要的技术之一,目前已经发展成为研究人员重点研究的方向,在智能驾驶,智能摄像,图像检索等领域取得巨大的发展。所以,提高场景识别技术有着十分重要的作用。场景图像往往因为光照,背景,遮挡等因素的原因,导致了类间差异大,类内差异小的问题。最近几年,场景识别研究从早期通过先验知识人工设计浅层特征,发展到通过构建深度网络模型自动学习深度特征。研究表明,学习多领域图像特征,可以产生比单独学习一种领域图像特征获得更好的识别模型,越来越多的科学家对使用额外领域的特征信息来提高分类性能的工作产生了兴趣。经典场景识别方法考虑训练和测试样本具有相同的视觉特征,但在实际应用中搜集和标注图像工作量巨大,且受限于场景的多样化,很难得到满足条件的充足实验样本,而私有信息作为仅在训练时学习的额外特征,测试时并不用提供,可以适当解决实验样本不充足的问题。本文提出一种基于相似融合的私有信息利用方法,并基于该方法设计了基于跨领域特征相似融合的网络模型(model of cross-domain similarity fusion,简称CSDF模型)。我们将CSDF模型定义为一个领域自适应问题,目的是利用源域中额外的私有信息特征。通过在训练时额外提供一种私有信息特征训练网络,使网络模型提高对RGB图像的描述能力,让测试阶段仅仅输入RGB图像依旧可以取得很好的效果。为了充分利用源域中的私有信息特征,采用本文设计的基于相似融合的私有信息利用方法设计CSDF模型。本文将使用RGB-D数据集中的深度图像作为私有信息图像,通过引入损失函数,加强传统图像提取的共享信息特征和私有信息图像提取的私有信息图像的相关性,使输入传统图像的神经网络学习到私有信息特征,同时为了更好地利用私有信息图像本身特征,将私有信息特征与共享信息特征进行拼接融合,达到提高网络模型特征表征能力的目的。综上所述,本文设计了一种基于相似融合的私有信息利用方法,并基于该方法设计了跨领域特征相似融合的网络模型,通过私有信息特征从不同角度进行场景分类,具有相当高的实用价值与研究价值。最后,CSDF模型在SUNRGBD和NYU-Depth场景数据集上均取得良好的实验结果。