域自适应学习是当前机器学习和模式识别领域一个研究热点,随着深度学习研究的不断进步,人工手选特征的时代即将结束。深度学习可以以最佳的方式自动从原始数据中提取到具有代表性的特征,更能有效地应用到不同的域自适应任务中。现有的基于深度学习的域自适应方法旨在通过将标签丰富的源域和无标签的目标域的实例映射到同一个特征空间中,来减少不同域之间数据概率分布的差异性。然而,这些方法并没有考虑到目标域内处于类边界(不同类别数据的分类边界)的数据,导致在类边界附近产生模糊的目标域特征,阻碍了分类精度的提升。并且,这些方法大多数时候是对源域和目标域的全局图像进行对齐,没有意识到在图像的域自适应过程中,不是所有的区域都对域自适应任务有积极的作用,强行对齐无效的区域如背景、噪声等,会导致负迁移。因此,“模型怎么才能高效地区分处于分类边界的目标域数据?”“如何抑制域自适应过程中图像无效区域的干扰,突出有效区域?”成为当下考虑的主要问题。受对抗训练和注意力机制的启发,针对以上的问题,本文分别从半监督和无监督的角度出发,提出了利用Dropout正则化的方法产生一个能够检测处于类边界附近的目标域数据的判别器,鼓励生成器为目标域生成更有区分性的目标域特征。另外,为了抑制在无监督域自适应过程中图像无效区域可能导致的负面影响,利用端到端可训练的注意力模型取代原来的生成器,提取主要的迁移特征。本文共完成了以下几方面的工作:(1)改变了以往域自适应学习需要对源域和目标域的全局图像进行对齐的方式,在卷积网络中使用注意力机制,使得注意力网络能提取对域自适应任务有效的注意力特征,抑制无效信息的干扰,增强域自适应模型的泛化性;(2)和以往在域自适应过程中标签丰富的源域数据和无标签的目标域数据需要分开训练的方式不同,本文改变了域自适应学习固有的训练方式,在源域数据中添加少量带标签的目标域数据,形成新的“源域”数据集,使得网络在训练源域数据的同时了解目标域数据的概率分布的知识,提高模型对目标域数据的泛化性。