合成孔径雷达（SAR）具有覆盖范围广,全天时全天候对地观测的优势,是海洋监测的主要手段。而船只作为海上活动的主要载体,自然成为了海洋监测的重要对象。因此基于SAR遥感图像的船只分类则成为了海洋监测中重要且关键的一环,其有助于管理者了解船只的具体活动内容,实现全面且有效的海洋监测监管。近年来,为了应对因合成孔径雷达图像有标记数据匮乏而带来的监督学习方法性能受限问题,基于迁移学习的方法成为了一个新兴且潜力巨大的研究课题。已有的相关应用研究都聚焦于从一个源域（单源）进行同构知识迁移,即要求源域和目标域数据都使有相同的特征表示。这些方法虽然已经取得了丰硕的成果,但是不适用于源域和目标域具有不同特征表示的异构场景。随着源域和目标域之间的异质性差异逐渐受到重视,如何有效的实现异构知识迁移成为了一个亟待解决的问题。因此,为了进一步提升SAR图像船只分类性能,本文围绕异构特征知识迁移,从单源和多源两种情况逐步展开异构迁移学习方法研究。本文主要研究内容和创新总结如下:1.围绕单源异构情况,提出了动态联合协方差对齐网络。其利用特征映射网络将数据映射到公共子空间以处理特征异构问题,然后同时进行分类器自适应和联合分布对齐,以使域偏置最小化,从而实现异构特征知识迁移。在创新性上,该网络考虑利用联合分布对齐、动态权重分配以学习公共子空间;该网络基于半监督学习训练网络,通过对无标记数据的使用以进一步提升分类性能。2.围绕多源异构情况,提出了多源异构特征增强方法。其利用特征增强映射函数将所有数据映射到增强公共特征空间以处理特征异构问题,然后基于支持向量机（SVM）模型的原理进行公式推导,求解最优公共空间和数据分类函数,从而实现多源异构特征知识迁移。在创新性上,该方法基于SVM模型进行了多源异构特征增强方法的公式推导,是对原始异构特征增强方法的多源域拓展;该方法实现了多源异构特征知识迁移,同时处理了源域与目标域间、源域与源域间的特征异构问题。总体而言,基于上述研究可以总结如下结论:对于源域和目标域之间存在的数据异质性差异,异构特征迁移比同构特征迁移更有助于提高目标域分类性能;不同源域之间存在互补性,在相同的方法框架下,多源异构特征迁移比单源异构特征迁移更有助于提升目标域分类性能。