传统的机器学习分类算法中,基本假设是训练数据与测试数据满足同一分布,而在实际场景中这种假设往往是不成立的。若训练数据与测试数据之间存在很大的分布差异,通过传统分类算法训练得到的分类器的性能将会降低。领域自适应目的是让分类器可以很好的适应在不同数据分布下的相同任务。领域自适应学习可以提升分类器对领域差异的鲁棒性,从而提高跨领域分类准确率。因此,本文的主要目的是对跨领域图像分类中的领域自适应问题进行深入研究,针对现有领域自适应方法存在的不足,提出更优秀的改进算法以适应不同环境下的领域自适应问题。本文的主要研究内容如下:1.针对源域样本与目标域样本不满足同分布基本假设,从而导致分类器失效的问题,提出了一种基于核极限学习机的无监督领域自适应分类器。首先,利用流形特征学习方法将数据投影至流形空间,一定程度上缩小源域和目标域之间的数据偏差;然后引入联合特征分布适配和流形正则项,对极限学习机输出层权重进行约束,提升极限学习机对领域偏差的鲁棒性;最后,引入RBF核函数构建核极限学习机,消除随机输入权重带来的影响,提升分类模型的稳定性。在基准数据集上进行的实验证明,本文的方法在无监督跨域视觉识别方面优于其他最新方法。2.在传统的领域自适应方法的研究中发现,无论是半监督还是无监督领域自适应都需要含标签或不含标签的目标域数据参与训练。而在现实场景中,来自目标域的测试样本在模型训练时是未知的甚至是不可获取的,该问题称为盲领域自适应问题。针对这一问题,本文提出了一种基于重建分类网络(Reconstruction Classification Network,RCN)的盲领域自适应方法。该方法仅使用源域样本训练源域RCN模型,并利用源域RCN模型重建管道增强目标样本的信息,缩小目标域与源域分布差异。增强后的目标样本通过源域RCN模型的分类管道进行分类。在多种特征的基准数据集上进行的实验证明,本文的方法在盲领域识别方面优于其他最新方法。