目的: 针对不同时空场景、物种差异等引发的域偏移问题,提出一种基于对抗学习的野生动物图像域适应识别方法,提升复杂野外环境下无标签野生动物物种识别的泛化性能,为开放环境野生动物分类研究提供有效理论依据。方法: 利用野生动物图像的类别信息作为条件构建对抗学习网络模型,通过批光谱惩罚约束和mixup特征对齐方法减轻不同时空场景、物种差异下野生动物图像间的分布差异,建立基于对抗学习的野生动物图像域适应模型实现图像识别。结果: 在分别包含8和11种野生动物的域适应数据集上训练和评估本研究提出的方法,与联合对抗学习和特征对齐的野生动物识别基线方法相比,本研究提出方法的平均识别准确率分别提升3.3%、14.0%,精确率分别提升3.3%、20.6%,召回率分别提升3.5%、20.5%,F1值分别提升3.6%、5.1%,基于对抗学习的野生动物图像域适应模型对不同时空场景下野生动物的识别性能明显提升。结论: 野生动物图像的类别信息作为对抗学习网络条件,可提供野生动物图像的多模态结构信息,有助于本研究方法更好理解野生动物图像之间的关系,提升野生动物图像域适应学习性能。训练集和测试集图像特征对齐得越好,测试集的图像识别性能越好。本研究为野生动物图像跨域识别研究提供了新的思路和方法。