近年来,图像识别技术在人类生活中的应用越来越广泛,图像识别模型实现的功能愈发强大。为了满足不同的任务,需要使用大量的具有针对性的数据训练识别模型。然而,由于存在“数据集偏差”现象,往往用于训练模型的数据无法涵盖现实应用中所有可能出现的数据分布情况。所以,如果直接将那些已通过特定数据集训练的模型迁移运用到实际任务中,模型的识别效果会明显降低。为了解决上述问题,论文利用域自适应和域泛化方法对改善图像识别模型迁移性能的问题进行研究。在原模型基础上,进行了系列改进工作,取得的具体研究成果如下:1、在域自适应方面,针对已有先进模型在训练过程中混合域内个体分布不够分散等缺陷而导致性能下降的问题,提出了马尔可夫开放复合域自适应模型。首先,运用马尔可夫过程将多个域混合在一起构成马尔可夫复合域,并在此复合域上再添加一个开放域,构建马尔可夫开放复合域。该过程保证了复合域中来自不同域的个体之间分布足够分散。其次,针对模型提取图像特征不充分的问题,搭建了一种基于参数化修正线性单元的神经网络编码器。最后,结合马尔可夫开放复合域和新的神经网络编码器,通过课程域和GAN的思想,训练马尔可夫开放复合域自适应模型。2、在域泛化的研究工作中,一方面,针对已有算法模型在搜索图像属性过程中,搜索方向分布不均匀的问题,提出一种最小加权随机搜索算法和“Equal-Sum”判断方法,可以使模型在训练的过程中适当地“忽略”那些被选取次数过多的对象。另一方面,针对模型在训练过程中对图像属性使用不够充分的问题,增加了优化组合的复杂性,并对神经网络模型进行了改进。结合最小加权随机搜索算法、“Equal-Sum”判断方法和改进后的网络模型,提出三种域泛化改进模型:最小加权随机搜索数据增强算法、最小加权进化搜索数据增强算法以及最小加权随机和进化搜索数据增强算法。3、在公开数据集上训练和测试模型,验证模型的性能。针对域自适应研究工作中的马尔可夫开放复合域自适应模型,实施了数字识别实验和人脸识别实验。针对域泛化研究工作的三种改进模型,分别进行了数字识别实验和CIFAR-10分类实验。基于模型识别的准确率,提出一种“模型可移植性”的评估标准对模型进行评价,该评估标准可以反映模型的整体性能。实验结果表明,相较于基准模型,论文提出的域自适应模型和域泛化模型在迁移应用后,都能够获得更高的识别准确率,验证了模型的有效性。