深度学习技术的日趋成熟已经为各种人工智能任务带来了显著的效果,其具有着广泛的应用前景。近年来,各种深度学习模型层出不穷,促进了推荐系统,语言识别以及计算机视觉等领域的进一步发展,尤其是在人脸识别以及推荐搜索领域已经得到了大规模的应用。但是深度学习的有效性依赖于硬件技术的支持以及大量的带有人工标注的数据。然而在现实场景中,通常获得一个具有大量的人工标注的数据集是不现实的。另外一个不可避免的问题是,在真实的场景当中由于外界环境的影响有时会使得训练集和测试集的数据分布不一致,这样会造成训练出来的模型在训练集上表现很好,在测试集上表现很差,在计算机视觉当中这样的问题被叫做是“领域偏移”。域适应技术能够有效地解决上述两个问题。域适应研究的目的是将源域样本的特征适应到目标域,最终在目标域上取得较好的泛化性能。由于域适应技术的有效性及其应用前景的广泛性,使得其成为人工智能领域的一个重要方向。本文针对已存在的域适应方法的缺点提出了两个用于无监督域适应的网络模型。一个是传统的深度域适应方法仅仅考虑了在高维空间当中将源域和目标域的数据分布对齐,忽略了目标域数据分布的变化,如果目标域数据分布变化过大会损失目标域的信息,这会削弱算法在目标域上的分类性能。本文在深度域适应网络上引入局部信息保持的概念,减少了因为特征变换而导致的目标域数据信息损失的问题,在对齐源域和目标域数据分布的同时有效地保持了原始数据的信息,基于此研究了一个用于无监督域适应的深度对抗重构分类网络模型。另一个是现有的域适应方法大多是基于单一特征结构来对齐不同数据域之间的分布,因此迁移的内容只包含了部分的有效信息,比如只包含了低级几何特征或者只包含了高级语义特征,基于单一特征的域适应方法可能会产生较差的迁移结果,基于此研究了一个用于无监督域适应的多尺度领域对抗网络模型。我们在数字数据集和经典的迁移学习数据集上进行了实验,相应的实验结果表明和已有的域适应算法相比较,我们的模型在大多数情况下具有着较为优越的性能。