深度堿適應(yīng)作為遷移學(xué)習(xí)最常見(jiàn)的問(wèn)題之一，已經(jīng)在許多機(jī)器學(xué)習(xí)應(yīng)用中獲得了優(yōu)異的性能。然而，現(xiàn)有的深度域適應(yīng)方法在減小域偏差時(shí)單一適配完全連接層，忽視了卷積層的空間信息和語(yǔ)義上下文信息，造成在知識(shí)遷移過(guò)程中丟失重要信息。為此，文中將基于實(shí)例的域適應(yīng)與基于特征的域適應(yīng)相結(jié)合，提出了基于PE散度實(shí)例過(guò)濾的深度域適應(yīng)方法（ DomainAdaptation Based on PE Divergence Instance Filtering， DAPEIF）。其基本思想是首先利用PE散度計(jì)算源域樣本的相對(duì)權(quán)值，刪除易造成負(fù)遷移的源域樣夲，選擇相對(duì)權(quán)值較高的訓(xùn)練數(shù)據(jù)作為新的源域樣本，從而降低源域與目標(biāo)堿之間的差異性;然后基于 Alexnet模型，使用最大均值差異（ Maximum Mean Discrepancy，MMD）準(zhǔn)則，將其作為正則化項(xiàng)納入神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中。與以往只關(guān)注完全連接層的域適應(yīng)方法不同，文中聯(lián)合匹配卷積層和完全連接層的邊緣概率分布以解決欠適配問(wèn)題，同時(shí)引入權(quán)值正則項(xiàng)，通過(guò)梯度下降法學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，進(jìn)一步提髙了堿適應(yīng)過(guò)程中模型的泛化性能。所提算法能冋時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)的卷積層和完全連接層的參數(shù)賦予領(lǐng)域自適應(yīng)能力，在域適應(yīng)公開(kāi)數(shù)據(jù)集 Office-caltech上的實(shí)驗(yàn)結(jié)果表明，域適應(yīng)對(duì)卷積層是有效的，更重要的是卷積層的自適應(yīng)可以進(jìn)一步提高傳統(tǒng)域適應(yīng)的性能，與主流的域適應(yīng)算法DDC和DAN相比，所提算法在精度上有所提高，平均精度達(dá)到84.46%。