在目标检测领域里通常希望在拥有大量标记的场景中训练好的模型能够应用在无标记的其他场景中，但是不同的域分布往往是不同的，这样往往导致域迁移时模型性能的急剧下降。为了提高域迁移时模型的目标检测性能，通过两个层级来解决域迁移问题，包括全局层级迁移和局部层级迁移。这两种层级迁移分别对应不同的特征对齐方式，即全局层级采用选择性对齐方式，局部层级采用完全对齐方式。所提域迁移框架基于单点多盒检测器（SSD）模型，在全局和局部层级分别配置相应的域适配器以减少域间差异，通过对抗网络算法实现具体训练，再通过一致性正则化来进一步提高模型的域迁移性能。通过大量实验验证了提出的域迁移模型的有效性，结果表明同目前常见的域适应-快速区域卷积（DA-FRCNN）模型、对抗识别域适应（ADDA）模型以及动态对抗适应网络（DAAN）模型等三种域迁移模型相比，该模型在不同数据集上的均值平均精度（mAP）可以提高5%~10%。

针对现有的支持向量数据描述(SVDD)在解决分类问题时通常存在盲目性和有偏性，在研究信息熵和SVDD分类理论的基础上，提出了改进两类分类问题的E-SVDD算法。首先对两类样本数据分别求出其熵值；然后根据熵值大小决定将哪类放在球内；最后结合两类样本容量以及各自的熵值所提供的分布信息，对SVDD算法中的C值重新进行定义。采用该算法对人工样本集和UCI数据集进行实验，实验结果验证了算法的可行性和有效性。