随着大数据和移动互联的发展,越来越多图像数量如洪水一般的出现,由于图像数量巨大,对于图像分类的模型要求越来越强,不仅针对模型的复杂度,还有运行的效率,所以需要研究一种方法来快速高效的解决图像分类问题。迁移学习是指将以前学到的经验知识迁移到新的任务学习里,帮助新任务的学习分类。其就是以一种学习方式来影响另外一种学习。迁移学习解决了传统机器学习中训练和测试数据必须服从相同分布的局限性,其可以在源域与目标域之间深挖到恒定不变结构与特征,并且对于领域的任务来说还能高效的进行信息共享迁移,也可对于源域有标注的监督信息进行迁移复用。本文提出基于迁移学习与深度卷积神经网络在图像分类上的研究方法,主要有:(1]针对普通的图像分类,本文提出基于特征映射迁移学习的图像分类方法,采用MK-MMD+联合概率适配的方法来降低目标域和源域的差异值,运用深度卷积神经网络进而抽取出高度“浓缩”的特征向量,使分类器能更加准确的判断出所属类别。MK-MMD是在MMD中进化而来,对于采用MMD+联合概率适配的JDA算法来说,最重要的是核k,由于具有单一固定核局限性问题,在实际运用中存在高斯核或者线性核等选择性的情况,所以这里采用MK-MMD,以多个带有权重的内核去构造一个总核的方式,联合边缘分布和条件分布的方法来提取领域间差异值最小的特征向量,进一步的运用在深度学习的分类其中。实验表明,采用MK-MMD+联合概率适配的方法显著的提高了特征抽取能力和图像分类准确性。(2)在图像数据分类中,对于高相似度图像容易产生错误分类的情况,这里提出一种采用幂迭代聚类算法(Power Iteration Clustering,PIC)的迁移学习方法,能快速高效的分离出相似矩阵。把数据集分为普通数据集和特殊数据集,特殊数据集是由特殊数据子集构建而成,继而用此数据集对模型进行二次微调,使模型的特征抽取能力和分类性能进一步的加强。实验证明,采用PIC方法,比采用谱聚类方法分类效果和速度上有显著的提高,最后采用有选择的对模型卷积层进行冻结,对分类效果也有不错的进步。