领域适应方法由于能够有效克服传统机器学习中需获取大量标签和模型重新训练的问题,成为近年来的热门研究问题之一。领域适应方法利用源领域中潜在的信息为目标领域训练一个高置信度的分类器。自动编码器由于具有健壮的特征表示能力,成为领域适应任务中的常用模型之一,并取得了很好的效果。尽管基于自动编码器的领域适应方法具有较强的泛化能力,但在实际应用中仍存在一定的不足,如在训练新的特征空间时边缘降噪自动编码器（m DA,Marginalized Denoising Autoencoders）只采用了线性函数来获取数据潜在的特征表示,难以捕获源领域与目标领域数据间的非线性关系;对于领域之间差异过大时的效果不理想等问题,给已有的领域适应任务带来了极大的挑战。本文基于自动编码器模型,围绕文本数据的分类问题来学习研究,主要工作如下:（1）针对m DA采用线性函数进行训练,并在之后的特征提取仅仅使用非线性映射来获取数据的非线性关系,捕捉到的数据特征并没有很好的体现数据的非线性。本文提出了一种基于双重约束边缘降噪自动编码器（NFDC,Nonlinear crossdomain Feature learning based Dual Constraints）的领域适应方法。该方法在学习数据的特征表示时,使用核函数来捕捉源领域与目标领域数据的非线性关系,我们首先引入了最大均值差异（MMD,Maximum Mean Discrepancy）,在训练的过程中MMD可以衡量源领域与目标领域之间的距离,并进一步降低两个领域之间的分布差异。其次,我们引入了流行正则化（MR,Manifold Regularization）,MR用来保存数据的几何结构信息,在进行特征映射后数据可以保持在空间位置相对不变性。最后利用训练好的特征表示所构成的特征空间得到最终的分类器,利用该分类器对目标领域进行分类。实验结果表明,该方法在领域适应任务上优于基线算法。（2）针对源领域与目标领域之间分布差异过大导致领域适应任务不理想的问题,提出了一种Co-training指导下（ARCT,Autoencoder Representation learning guided by Co-training）的领域适应方法。该方法采用中心矩差异（CMD,Central Mean Discrepancy）来得到领域间共有的特征和领域间私有的特征,通过这两个特征学习得到两个不同类别的分类器,然后这两个分类器进行Co-training协同训练得到目标领域的伪标签,接着利用伪标签构建新的分类器并对目标领域进行分类。实验结果表明,该方法在领域适应任务上优于基线算法。