近年来,随着计算资源与训练数据规模的快速增长,机器学习、深度学习模型在计算机视觉、自然语言处理、生物信息计算等各个应用领域都取得了令人瞩目的成果。特别是在图像识别、医疗影像分析等领域,基于完全监督的学习模型发展日益成熟,已经在多个领域取得了媲美或超越人类专家的识别精度。然而,已有的机器学习、深度学习模型所取得的瞩目成就高度依赖于大规模、细粒度的数据标注。对于每一个目标任务采集并标注大量的训练数据需要昂贵的时间和人力成本,在医疗影像分析领域甚至无法收集足够多的病人数据,这限制了模型在很多实际场景的应用。因此,如何利用有限的监督信息获得满意的模型性能是目前机器学习、深度学习领域亟待解决的问题之一。本文聚焦于有限监督场景下的图像识别、计算机辅助诊断等问题,主要研究内容包括:（1）当目标任务标注数据有限时,如何借助大量源域标注数据提升模型在目标任务上的泛化性。（2）当目标任务没有标注数据时,如何复用大量的源域标注数据,学习在目标任务上具有良好泛化性的模型。（3）当目标任务只有图像级标注时,如何利用粗粒度的弱监督标注实现高精度的细粒度图像识别。本文的主要贡献概括如下:1.基于投影模型的参数迁移极...