领域自适应作为迁移学习的主要研究分支,能够帮助分类模型从源领域的数据中提取知识,并在有不同分布的目标领域中完成目标任务的预测。而当前随着互联网技术的发展,丰富的数据来源带来了海量的数据,这为传统机器学习模型带来了帮助,也造成了阻碍。这种阻碍主要是数据的多样化造成了数据领域之间分布不同,从而影响了机器学习模型的效果,而领域自适应方法的研究,正是为了普遍性地解决或减小这种阻碍。在以往的领域自适应方法中,研究者们往往通过特征降维或子空间学习的方式,学习一个或更多个特征映射函数来达到领域分布差异变小、特征有分类辨别性的目的。为了能够发挥以往研究中特征选择方法的优点,我们将特征选择作为手段并用到领域自适应的研究中,本文的主要工作包括以下几点:1)本文对领域自适应相关的理论背景和方法研究做了较为详细的梳理,阐明了领域自适应问题的本质,在此基础上回顾了关键的度量方法。同时对作为手段的特征选择研究进行了相关工作的梳理。2)针对过去相关方法不能兼顾特征分类辨别能力的问题,提出了TFS方法。该方法通过最小化一个包含领域分布差异度量、训练误差损失函数和l₀范数约束的目标函数,得到兼具可迁移性和分类辨别性的特征子集。3)在仅考虑边缘分布自适应的基础上考虑了条件分布的自适应,并为了提升模型目标的鲁棒性在两个分布度量之间添加了可学习的平衡因子,从而提出了了自适应平衡性分布的BTFS方法。4)提出了一个分布式优化算法框架,能够对所提出的模型进行有效的求解,即解一个带有l₀约束的混合整数规划问题。5)在多种真实的数据集上通过和基准方法对比、特征子集的可视化、迭代次数等方面展示了所提出方法的效果,并从负迁移性、目标有效性等角度分析论证了以特征选择为手段的领域自适应方法的鲁棒性和有效性。