随着社会逐渐朝自动化的方向发展,对于模型的稳定性也愈加重视,并希望实现在某个环境中训练的模型在另一环境中也能有良好的表现,即模型具有分布外泛化的能力,与常用的已知域标签或域间的分布相似等假设不同,本文使用基于因果不变性的方法,通过对目标函数增加惩罚项来减小特征间的依赖关系,从而降低过拟合与虚假相关性的现象,增强深度模型的泛化性能,该方法称为IRM模型。本文首先介绍研究背景与意义,回顾现有的模型泛化的方法,并对图片分类中常用的卷积神经网络的基本原理与相关技术进行了详细介绍。在预处理阶段利用MNIST与Wildcam数据集构造出不同场景下的数据分布,共衍生出4种分布不一致的情况,分别为存在虚假相关的CMNIST数据集、数据分布相似的RMNIST数据集、具有不同对抗级别的MMNIST数据集以及样本量较少的Wildcam数据集,然后通过深度学习框架Pytorch,采用目标函数为ERM的CNNs网络、目标函数为IRM的CNNs网络与经典的领域自适应的方法DANN网络三种算法对反映不同环境的数据集进行分析,并使用交叉验证等两种评估方法计算测试集的分类准确性,作为不同算法泛化性能的体现,最后总结了IRM模型的适用范围,再使用LIME方法对不同方法识别到的特征进行可视化展示。分析的结果表明,IRM模型适用于训练环境与测试环境中数据分布差异较大、存在虚假相关以及样本量较少的场景,这时相关指标在测试集上的表现良好,而对于数据分布差异较小或者独立同分布的场景,由于IRM模型的惩罚项引入了额外的复杂度,因此效果不如CNNs网络。对CNNs与IRM模型进行可视化分析发现,虽然二者皆关注了一些环境因素,但IRM模型同时可识别出真正感兴趣的特征,即动物的形状。