近年来，人脸识别作为一个具有安全、方便、快捷等特性的生物识别技术已经应用于很多领域。一个较好的人脸识别模型往往依赖于大量的训练数据，但在一些特殊的领域，例如公安、医院等机构不具有大量带有标记的训练样本。在这种情况下，人脸识别有如下挑战：如果将源域(与应用场景数据分布不一致)训练的人脸识别模型应用到目标域(与应用场景分布一致)中，识别性能会大大降低；如果只对图片库gallery样本进行学习，gallery类内散度矩阵退化为0，大多数判别分析方法无法应用，导致训练的模型容易欠拟合，泛化能力差。
　　域自适应方法可以通过将带标签的源域数据中的判别信息迁移到无标签的目标域数据中，从而帮助目标域数据的类别预测。然而，现在大多数域自适应方法无法高效利用训练样本特征的多样性，导致判别模型的效果较差；另外，由于目标域不具备标签，无法直接对目标域样本进行训练，即便通过重新构造源域数据的方法，使源域数据分布与目标域的数据分布近似，但是依然无法达到分布一致。因此如何学习更丰富、更准确的判别信息是一项富有挑战的任务。针对上述问题，本文主要做了以下两个研究工作：
　　(1)提出了一种基于域自适应的多子空间人脸识别方法。本研究工作的创新点有：1)提出了一种多源域自适应子空间的方法以充分利用多个源域的样本信息，提升模型的判别能力，并进行了理论推导；2)设计了一种基于域自适应的多子空间人脸识别框架以获得样本更多的判别信息，由于样本在单一子空间中的特征表示是唯一的，为了能够保留样本特征的多样性，同一样本在不同的特征空间中能够保留不同的判别特征，增加了样本特征的多样性，提高模型的分类性能，并从理论上分析了其可操作性和有效性。
　　(2)提出了一种基于域自适应的标签重构人脸识别方法。在本研究工作创新点有：1)为无标签的目标域样本学习一个相似度矩阵和标签预测概率矩阵，并将其转化为一个线性规划问题，对其求解后得到最佳预测标签概率矩阵，根据概率矩阵得到目标域的预测标签；2)采用类似于线性判别分析的方法对目标域数据学习判别模型。在判别模型学习中，用目标域数据来估计gallery的类内类间散度矩阵，从而加入gallery的判别信息，提高了模型的分类性能。
　　上述研究分别在在单个数据集和交叉数据集中进行大量实验，实验结果表明本算法具有较好的性能。