域自适应学习(Domain Adaptation)是由迁移学习推广得到的一种机器学习方法。与传统的机器学习方法不同,该学习方法假设训练集和测试集是非独立同分布的,在此基础上命名训练集为源域,测试集为目标域。源域和目标域是高度相关又不尽相同的数据集。这种学习方法主要被应用到文本分析、机器翻译、统计分类等领域,近年来才被应用到计算机视觉领域,并成为一个研究热点。本文研究了GFK在域自适应学习中的应用。论文的主要工作如下:1、提出了一种新的基于SGF的域自适应学习算法。算法首先提取源域和目标域的嵌入子空间,并把它们看作格拉斯曼流形(Grassmann manifold)上的两个点;其次,在Grassmann流形上构造过这两个点的测地流曲线(Geodesic Flow Curve),并在测地流曲线上均匀采样,得到介于源域和目标域的中间子空间;再把原始特征向量投影到这些子空间并串接成新的特征向量,然后对新的特征向量利用PLS方法进行降维;最后,用余弦值分类器进行分类。我们将该算法应用于物体识别和人脸识别问题中,在一个物体识别数据库和两个人脸识别库上对算法进行了验证。实验结果表明,本文提出的算法不仅要优于传统的SGF域自适应学习方法,而且将该算法应用于人脸识别中也得到了较好的效果。2、提出了基于测地流核(GFK)的KPCA算法。算法首先利用源域和目标域构造GFK核;对于给定的特征向量,将GFK作为KPCA算法中的核函数,提取新的特征向量;最后用余弦值分类器作分类识别。我们同样将其应用于物体识别和人脸识别中,在三个数据库上对算法进行了验证。实验结果表明,该算法不仅要优于基于GFK的无监督域自适应学习方法,而且在人脸识别应用中也有较好的性能。