近年来,深度学习网络成为解决计算机视觉和机器学习领域问题的热门选择。尽管现在已经有很多深度学习网络算法,但是这些方法常常假设数据来源于相同的领域。当这些方法应用于不同领域数据时,其效果会显著下降;而在现实生活中,某些域的样本难以采集或者根本无法采集,这时很难使用传统的深度学习算法进行学习,跨域学习方法随之应运而生。跨域学习也称迁移学习,通过将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中来解决以上问题。基于上述深度学习领域发展趋势,本文的研究工作主要包括以下两个部分:(1)基于成对泛化网络的跨域图像识别算法;(2)基于双链注意力机制的跨域图像识别算法。1.提出了基于成对泛化网络的跨域图像识别算法。成对泛化网络在原始网络中增加了实例归一化和批量归一化,使深度卷积网络模型能够增强它们在源域的学习能力并扩展到新的目标域。同时利用暹罗网络结构来学习一个有区别的嵌入子空间,并拉近正样本对,拉远负样本对。为了提高模型的性能,本文还加入了残差结构和最大均值距离损失。该模型在目标域仅有少量样本时也能有较好的性能。在MNIST-USPS和Office-31数据集上的测试结果表明,基于成对泛化网络的跨域图像识别算法明显优于最新的迁移学习算法。其在MNIST-USPS和Office-31数据集上的结果比CCSA算法均提升4.9%。2.提出了基于双链注意力机制的跨域图像识别算法。该方法将局部特征和全局特征连接成一个注意力匹配图,以聚焦于图像的重要部分。该算法还建立了一个子空间,该子空间具有判别性质,但与多数方法不同,它将正样本对映射到固定半径的超球面上并分离的负样本对。该算法还在学习过程中增加了注意力的一致性判断,以确保在同一个类中有一致的兴趣区域。本文在MNIST-USPS,Office-31和Visda-2017数据集上对该算法进行了广泛的评估,表明基于双链注意力机制的跨域图像识别算法已经超越了这些数据集上的最新方法。