在现代化军事中,准确识别目标是实现精确打击、加强空中战斗力的重要手段。在数据科学和计算力飞速发展的今天,机器学习尤其是深度学习方法在目标识别领域取得了很好的表现。然而这些方法都依赖于大量的标注数据,学习一个类别就需要成百上千张有标签样例。但实际情况中,尤其是战场环境下,获得大量的训练样例是不可能的。同时,由于样例采集时环境的变化,这些数据之间存在分布差异,在航空航天领域,这样的分布差异尤为明显。那么,如何从有限的标注样例中学习到泛化性能足够强的知识,从而可以应用在不同环境任务中。这样的问题也被称为小样本学习问题。域适配方法可以很好的解决样本不足和分布差异的问题,是解决小样本识别的有效方法。本文旨在解决域适配问题中欠拟合、欠适配和负迁移的关键性问题,并搭建了星载小样本识别系统进行可视化展示。首先引入了源域约束的对抗适配方法,联合对抗学习和特征匹配方法进行特征分布的适配,有效加速了网络的收敛。进一步引入度量学习方法,强化了特征的判别性,有效地缓解了域适配任务中的欠适配和欠拟合问题。进一步提出了注意力迁移的对抗适配方法。在卷积层通道之间建立联系,增大任务相关通道权重,减小任务无关通道权重,实现了不同域特征分布的细粒度对齐,一定程度上解决负迁移问题。最后,我们在星载典型类别数据集上对提出的方法进行验证,并搭建了星载目标小样本识别系统。