随着智能监控,自动驾驶等计算机视觉应用的普及,图像分类作为这类应用的底层支持,近几年来获得了快速的发展。然而在现实生活及生产活动中,获取的图像大部分都是没有标签的,由于传统图像分类方法无法处理互联网级别的无标签数据,无监督域适应技术的提出很好地解决了这一问题。深度迁移网络作为无监督域适应领域最新的技术成果之一,成功地将深度神经网络在特征提取上的优势与域适应技术在分布匹配上的能力相结合,通过匹配源域与目标域之间的深层特征,相比传统域适应技术大幅地提高了分类准确率。然而,深度迁移网络由于其复杂的网络结构,在迁移训练过程中噪声数据产生的复杂关系易导致网络模型过拟合。通常源数据集和目标数据集之间存在较大差异,使用标准dropout难以确定模型参数缩放的最优尺度。而且深度迁移网络在域迁移训练时缺乏足够的泛化能力,虽然使用类别概率向量作为训练的软目标,但还是会偏向于正确类别的概率匹配而忽略类别间的相似信息,影响最终模型的匹配性能。本文在深度迁移网络的基础上进一步实现了蒸馏迁移网络,其主要改进部分为在条件分布匹配阶段嵌入蒸馏操作,蒸馏的主要原理是随着温度参数的增加,会使类别间概率向量分布更均匀,提升弱势类别概率对模型训练的影响力。然后将不同温度蒸馏出来的类别相似性信息进行融合,作为条件分布匹配的优化目标。由此得到的模型具备匹配源域与目标域之间底层特征分布的能力,进一步提升对无标签目标数据的分类性能。为了解决域迁移时过拟合的问题,本文引入多尺度融合dropout技术,其原理是预先训练若干组不同尺度的网络模型,使用遗传算法模拟最优门控变量集,获取每个模型的最优尺度。使用最优尺度对对应的网络参数进行缩小,得到预测子模型,将预测子模型按训练好的权重进行融合得到最终预测模型。相比传统dropout,多尺度融合dropout能够综合各个尺度提供的特征信息,使输出的预测结果可靠性更好。本文将多尺度融合dropout应用于蒸馏迁移网络,不仅体现了多尺度融合dropout在迁移网络结构中的适用性,而且有效地提升了蒸馏迁移网络抑制过拟合的能力。将整合后的模型在标准数据集上进行试验,在MNIST/USPS,SVHN/MNIST和CIFAR-10/CIFAR-100 3组数据集上的准确率相比深度迁移网络分别提升了0.72%,1.19%和3.18%,证明了本文改进的有效性。