遥感图像监督分类是土地利用土地覆盖制图、地表覆被变化监测中最为常用的手段，然而监督分类方法的性能严重依赖于训练样本的大小、分布位置、统计分布特性，以及对数据特征的可区分描述能力等等。在利用多时相遥感图像进行土地利用土地覆盖制图、地表覆被变化监测中，不同时期图像在成像几何、辐射、大气、光照及物候条件上的差异会带来数据统计分布特性的变化，进而造成利用前一期遥感图像获取的训练样本训练的模型在后一期遥感图像分类性能的降低。这种现象在模式识别和机器学习领域被称为相关变量变异（covariate shift）或sample selection bias (选择样本偏差)，通常采用迁移学习（transfer learning, tl）中的域自适应(domain adaptation, da)加以控制或解决。然而，目前绝大多数研究工作都在“源领域（source domain, sd）和目标领域（target domain, td）由同一类型且维数相等的特征描述”这一假设前提下进行，这限制了迁移学习、域自适应方法在异域自适应（heterogeneous domain adaptation, hda）遥感图像分类中的应用。如绝大多数现有的域自适应方法在“有训练样本的源领域遥感图像由landsat mss传感器获取，4个波段，空间分辨率60米，而目标领域遥感图像有aviris高光谱传感器，224个波段，空间分辨率为20米”情况下无法发挥作用。 

　　为此，中国科学院新疆生态与地理研究所中亚合作与协调发展研究室吉力力·阿不都外力研究员团队成员阿里木·赛买提博士利用多视图典型相关分析法（multi view canonical correlation analysis）获取多相关子空间来联合表达源-目标领域间的关联性，并基于集成学习（ensemble learning, el）的集成策略提出了基于典型相关分析权重投票（canonical correlation weighted voting, ccwv）集成方法，即监督多视图典型相关分析集成异域自适应遥感图像分类方法。并在此基础上利用加速谱回归核判别分析（speed-up spectral regression kernel discriminant analysis，srkda）提出了半监督多视图典型相关分析集成异域自适应遥感图像分类方法。 

　　相关研究成果以supervised and semi-supervised multi-view canonical correlation analysis ensemble for heterogeneous domain adaptation in remote sensing image classification 发表在remote sensing第9期第4卷.