图像分类是计算机视觉领域中很常见的学习任务,传统的图像分类任务要求有大量的带有标记的数据来训练模型,但是图像标注需要花费一定的时间和人力,在实际应用中,有些时候需要对一些不常见或者未出现过的类别进行分类。当带有标记的图像数量较少,利用传统的图像分类模型无法取得满意效果的时候,可以借助迁移学习的思想利用相关领域中的带有标记的数据,即源域数据来辅助目标域进行分类。迁移学习中,源域和目标域存在着一定的差异,如何在迁移学习中减小源域和目标域的差异,利用源域中带有标记的数据来辅助目标域进行分类是本文研究的重点。首先,本文研究了迁移学习中无监督域适应问题,针对源域和目标域概率分布不一致,差异较大问题,提出同时适配源域和目标域边缘概率分布和条件概率分布的迁移学习方法,并且在适配过程中分别给予二者不同的权重系数,同时,在适配过程中进行类别判别特征学习,具体的在特征空间当中约束同一个类别样本之间的距离最小化,不同类别样本之间的距离最大化,从而提高分类性能。其次,本文研究了迁移学习中的半监督深度域适应问题,针对域适应中目标域样本数量较少且部分样本带有标记的情况,提出利用类别语义迁移的方法进行半监督域适应学习的方法。首先利用深度网络对源域和目标域图像进行特征提取,然后在特征空间当中利用CORAL方法减小源域和目标域的域差异,利用熵最小化原理对相似度较高的源域和目标域类别进行结构对齐,从而可以在特征空间当中保留类别之间的相似度关系,进行样本类别之间的语义迁移,提高网络对目标域样本的分类能力。最后,本文研究了迁移学习中的零样本学习问题,针对零样本学习中出现的Hubness问题和域漂移问题,提出利用深度嵌入模型进行零样本学习的方法。首先,利用深度网络对已知类和未知类样本进行特征提取,然后将样本特征和对应的类别语义表示嵌入到共同的嵌入空间当中,在嵌入空间当中,最小化特征嵌入向量和语义嵌入向量之间的距离,利用一个线性分类器对嵌入空间当中的已知类样本进行分类,间接的约束了不同类别样本之间的分散性,使得已知类样本在嵌入空间当中具有一定的可分性。在对未知类别进行预测阶段,在嵌入空间当中对未知类别的语义嵌入向量进行修正,在嵌入空间当中寻找嵌入语义向量所对应的未知类嵌入特征向量的k近邻,然后利用这k个近邻向量的均值表示未知类语义嵌入向量,使得未知类在预测阶段更接近于未知类别。