在计算机视觉中,迁移学习称为领域自适应。通常,数据选自于两个有所差异的数据域,分别是源域、目标域。这两个数据域的差异在于其中数据的特征分布或者所在的特征空间不同。领域自适应的目的是从有足够标注数据的源域中学习知识来帮助没有（或只有少部分）标注数据的目标域进行模型的学习。领域自适应可以有效解决特征分布不同时的跨域识别问题,大多领域自适应方法将两个域的特征投影到子空间,在子空间进行分类器的学习,以取得良好的跨域识别效果。但这些方法大都有以下缺陷:（1）分类器的超平面只由边界附近的实例决定,当存在极端样本时,分类器边界将会受到影响,并且不足以对大部分样本进行有效类别划分,从而导致学习到的分类器效率低下;（2）忽视了两个领域中相同标签数据的局部对齐,不同领域同类数据间的相似性挖掘不够完全,同类数据信息利用不够充分。学习到的模型不能很好地挖掘出域不变特征,最终习得的模型对于同类数据的判定效果不佳。为了解决这些问题,本文提出了一种新的基于低秩交叉重构的领域自适应方法（Low-rank constraint-based cross reconstruction for domain adaptation,LRCR）。其中,通过交叉重构来让原始源域和目标域的数据在不损失信息的情况下获得很好地交织;通过低秩表征提取数据中的主要信息。然后对LRCR方法进行改进,提出可以用于多源域迁移学习的基于低秩约束的跨域多投影学习方法（Low-rank constraint-based multiple projections learning for cross-domain classification,LRMPL）。本文贡献:第一,为了有效的挖掘出数据域之间的相似性,本文通过对原始源域和目标域的交叉重构来构建两个新的数据域,并且通过这两个新数据域来挖掘出原始源域和目标域的整体联系。第二,为了更好的使同类数据进行局部的对齐,对重构矩阵进行低秩约束,以此来将两个域的同类数据对齐,从而使得只要是同类数据,在新的数据域中,它们的距离会被减小。第三,本文使用改进的类PCA正则化项,使得最终学习到的特征表示能够保留原始数据的主要信息。这样学习到的分类器可以有效的进行跨域识别任务。在几个公开数据集上的实验结果表明LRCR和LRMPL方法有着较高的跨域识别准确率,效果优于相比较的几种基线方法。