一句话定义
领域泛化（Domain Generalization，DG）指的是：训练时只用若干个已知来源的数据（源域，source domain），训练完的模型要能直接用在训练中完全没出现过的场景（目标域，target domain）上，而且不再重新训练、不再微调。
原理：学"本质"，别学"环境"
打个比方。你要教一个新人做奶茶，手头只有 A 店和 B 店的录像：A 店封口机是按钮式，B 店是脚踏式；两家用的糖浆品牌也不一样。如果新人把"按第三颗按钮"背下来，换到 C 店就废了。真正该学的是配比、摇杯手法、封口温度这些在哪家店都成立的规律——这就是所谓的不变特征（invariant features）。
模型面对的数据里通常混着两类信息：一类和标签有因果关系（病灶就是病灶），另一类只是采集环境留下的痕迹（哪台机器拍的、什么光线、什么口音）。后者叫虚假相关，换个环境就失效。源域越多、彼此差异越大，模型越容易被逼着丢掉环境噪声、保住本质。
常见做法大致四类：数据层面，把图片变色、加噪、换背景，人为造出更多"域"；特征层面，约束不同源域提取出的特征分布尽量一致；优化层面，训练时轮流"假装留出一个域不参与"，让模型学会快速适应；再进一步是直接建模因果关系，只保留跨域稳定的那条预测规则。
和相邻概念的区别
| 概念 | 训练时能看到目标域数据吗 | 目标 |
|---|---|---|
| 领域泛化 | 完全不能 | 训练一次，任意新域直接可用 |
| 领域适应（Domain Adaptation） | 能，通常无标签 | 针对某个特定目标域调优 |
| 迁移学习（Transfer Learning） | 一般能 | 借用源域知识完成目标任务 |
一句话概括：领域适应是"知道要去哪儿，可以提前踩点"；领域泛化是"不知道要去哪儿，但哪儿都得能去"。
对实际工作的意义
这个需求在工程里极其常见。医疗影像模型在 A 医院训练，B 医院换了设备、改了扫描参数，指标就掉；自动驾驶在晴天白天采的数据，到了雨夜就吃力；工业质检换个车间、换批灯管，缺陷检测立刻误报。如果每换一个客户都要重新收数据、重新标注、重新训练，成本根本兜不住。领域泛化的价值就是把"换个场景就要重训"变成"出厂就能用"。
代价也要说清楚：它通常比"拿到目标域数据再微调"效果差一些。所以判断标准很朴素——目标域的数据拿不拿得到、能拿到多少。拿得到就做领域适应，拿不到才只能靠泛化。另外，增加源域多样性往往是性价比最高的一招：多收几个场景的数据，常常比换更花哨的算法管用。具体选哪条路线，取决于你的数据条件和部署要求。