随着数据规模的快速增长,利用机器学习对数据进行分析与运用获得了巨大的成功。然而,在计算机视觉、模式识别和自然语言处理等应用领域中,不同数据集之间普遍存在着分布差异,这会严重限制传统机器学习算法的实际应用性能。领域适应放宽了传统机器学习算法的一个基本假设,即假设训练数据和测试数据服从独立同分布,可以有效利用源领域知识帮助促进目标领域的任务学习。本文面向领域适应中的判别性结构挖掘,鲁棒分布适应,分类器迁移等问题和挑战,设计了针对性的学习策略,主要贡献如下:本文提出了一个基于耦合知识迁移的非监督领域适应算法。首先,为解决现有的样本重加权计算复杂度高的问题,设计了一个简单而有效的启发式样本重加权策略,对目标预测赋予不同的置信度,用来挖掘域间共享实例;其次,为应对鲁棒分布适应挑战,提出了改进的加权分布适应来学习域间共享特征;最后,为有效利用域内流形结构信息等知识,引进了基于不同置信度的语义信息构造出的流形正则项,以促进数据的判别性结构预测与保持。本算法将这三者有效地结合在一个通用的领域适应模型当中,促进了标签,结构等知识从源域到目标域,从高维输入空间到低维特征空间的迁移与保持。对于基于特征变换的方法,其基分类器的性能可能会成为领域适应算法的性能瓶颈。为此,本文面向自适应与判别分类器迁移学习提出了一个新的领域适应算法,将分类器学习和分布适应结合在一个通用的学习框架中。本算法首次提出在目标域上采用结构风险最小化原理,并结合流形正则项,可以最大化地利用无标签数据的几何结构信息来增强分类器的学习;同时,基于类别概率矩阵设计了一个加权分布适应,可以获得一个更加鲁棒和准确的联合概率分布对齐;最后,基于统计学习理论分析了本算法的泛化误差上界,从理论上论述了算法的正确性和有效性。本文在Office-Caltech、COIL20、PIE、Office-Home和Image CLEF-DA五个基准数据集上进行了全面的性能评估实验,将所提出的算法与18个对比算法进行了124组跨域分类实验,本文的算法获得了106组的最高分类准确率,而且在每个数据集上的平均性能均获得了最优结果。实验结果验证了本文算法相对于现有先进领域适应算法的优越性。