本发明公开了一种基于散度计算的异构域适应方法，包括如下步骤：数据预处理；分别学习映射，将源域和目标域映射至同一共享子空间，同时利用最大均值差异(MMD)距离进行分布匹配，减小分布差异，并进行核化处理以适应非线性问题；遵循结构一致性，保证相近数据在映射后保持相近；引入正则项进行特征选择；通过散度计算进一步增加不同类别数据间的可分性，提高算法效率；综合优化。本发明采用迁移学习思想，通过对异构的源域及目标域数据分别进行映射和特征转换，得到具有相似特征及分布的子空间；并在异构应用中引入散度，利用散度特性进一步加强数据可分性，强化对具有不同特征不同分布的异构数据的分类，帮助提升目标任务的学习效果。