领域自适应方法旨在利用丰富的源域知识来帮助目标域任务的学习。与传统的机器学习假设不同,域自适应学习中存在的两个数据域:源域和目标域,分别遵循相近但不完全相同的分布。领域自适应中通常存在三种学习方法:(1)样本自适应方法,(2)特征自适应方法,(3)模型自适应方法。本文分别针对前两种方法进行探索并研究了提升分类模型效果的改进方案,研究方案主要包括以下的两个内容:首先,针对特征自适应方法,在常见的利用映射子空间方法解决源域和目标域分布差异性的方法中,保留映射前的数据特性对于性能的提升是尤为重要的。不同于常见的流形结构特性,本文在模型的构造中着重保留了更适用于图像分类的稀疏结构特性,进而提出一种可用于图像分类的稀疏结构保持的领域自适应学习方法(简称DASSP)。与针对局部结构信息保留的流形正则化不同,本文通过稀疏表示对图像样本进行了重构,保留了图像之间的全局性信息,而通过实验,证明了该结构特性对于模型性能的提升效果。其次,在样本自适应方法中,如何选择和传递相关知识是学习的关键。本文提出了一种新的基于过程学习的领域自适应模型(PDA),该模型试图考虑基于关联的迁移顺序来传递源域知识。具体来说,PDA以迭代的方式将源域样例按照从最相关到最不相关的顺序依次进行迁移,直至已迁移所有相关的源域样例。在每次迭代中,所迁移的源域样例由一个逐渐提升的权重来确定,从而引入更多的源域样例。此外,本文还利用反向分类方法来设置迭代终止策略,在真实数据集上进行的实验表明,PDA和现有的域适应方法相比具有很强的竞争力。