近年来,深度学习框架在诸多计算机视觉任务中取得了突破性的进展。然而,在实际应用过程中,也出现了一些困难与挑战,如对训练数据数量有较大要求,以及网络训练样本与实际样本之间存在分布差异等。目前,迁移学习技术的研究和应用一定程度上缓解了深度网络训练过程中大规模数据的需求矛盾。但是,由于深度网络及迁移学习方法均存在可解释性相对较差的问题,对于在实际应用中如何使用迁移方法以及最大程度发挥迁移学习的效用,目前尚欠缺深入研究,也没有较为统一的结论。深入开展深度网络知识迁移机制研究,一方面是为了拓展知识迁移方法的潜在价值,并探索发现规律性的结论与方法。另一方面,能有效指导模型方法在现实场景中的应用,包括具体的策略选择、参数调节、性能优化等,从而大幅度节约各环节投入的资源。本文对基于迁移学习的领域适配机制进行深入研究,提出了一个动态域适应过程中的迁移层选择策略,并提出了两个动态域适应参数更新算法。同时,论文将研究成果用于两个现实应用场景中,实验证明了成果的有效性。本文的主要工作如下:(1)研究并提出了迁移层选择方法及迁移参数调整算法。得到了在知识迁移过程中,如何选择可迁移层、如何选择迁移损失函数、如何选择迁移平衡方法的一系列规律性结论。同时,提出了两个动态域适应更新算法,优化了知识迁移的参数更新过程,大幅度减少了需要投入在参数调整上的时间及人力成本。(2)结合实际应用设计了两个动态迁移框架,将领域适配机制应用于烟草激光码识别与现实人脸识别中。人脸识别和烟草激光码识别是两个有重要应用背景的识别场景,本文研究并设计了现实场景中的动态迁移方法,展示了在实际应用过程中,如何使用上述规律性结论及相关算法,指导知识迁移方法的选择和应用过程。实验结果证明,本文提出的方法不仅可以减少在方法选择、参数调节等过程中投入的不必要资源,并且可以有效提升视觉相关任务的识别准确率等性能。