近年来,深度学习在分类任务上取得了令人瞩目的效果。经典的深度学习模型假设训练和测试数据遵循独立同分布准则,然而,现实应用任务很难达到独立同分布的假设并导致模型性能下降。为了解决带标签样本稀缺、模型泛化能力不足的问题,域泛化被提出来并受到了广泛的关注。其中,基于元学习的域泛化方法通过模拟域差异来提高模型的泛化能力,取得了良好的性能表现。但是,当前基于元学习的域泛化模型受限于传统的情景训练方式,接触的元训练任务有限,影响了元学习对分类任务的提升效果。而且,现有的基于语义对齐的特征优化方法未能充分挖掘域泛化任务的标签信息,限制了模型提取域不变而类相关的特征的能力。本文围绕域泛化场景的分类任务展开研究,针对现有的基于元学习的泛化方法学习的元任务集有限、特征函数约束不足的问题,提出了一种新颖的基于元学习的域泛化分类模型。模型采用混淆情景训练方式以丰富元任务集,使用基于可学习的跨域泛化质心的分类网络、特征提取器无关的参数更新方式和语义损失函数优化特征分布,以提高模型的泛化性能。实验证明,本文提出的方法在自然图像数据集、组织病理图像数据集和开关柜局部放电-音频检测红相音频数据集上都表现了稳定的性能提升。本文的创新点包括:第一,提出了一种简单且新颖的混淆情景训练方式,将分类模型暴露于更多样的泛化场景,使模型在训练过程中积累更多样的泛化经验;第二,在分类模型中引入可学习的跨域泛化质心,设计基于跨域泛化质心的与特征提取器无关的元学习参数更新方式,充分发挥泛化质心的指导作用;第三,引入基于跨域泛化质心的语义对齐损失函数,以域无关和域相关的语义对齐方式规范特征空间,实现细粒度的特征对齐,提高模型的泛化能力。