近年来深度学习技术在各行各已经起着越来越重要的作用,但是深度学习算法能够取得良好性能的关键是建立在需要消耗大量的资源对深度学习模型进行训练的基础上的,这个过程不仅费时费力,而且在很多领域会出现重复浪费的现象,也就是说一个深度学习模型使用当前场景下的数据训练和测试表现都很好,但是在一个相关的应用场景表现就很差,导致不得不重新花费昂贵成本重新标注数据,进而浪费时间重新训练模型,因此如何利用相关领域的丰富数据来对当前数据集上的任务进行知识的迁移和复用成了当今一个热门研究课题,其中一个方向就是领域自适应问题。本文针对这样的问题分别从对抗学习思想和半监督学习两种角度提出了相应的领域自适应算法,具体如下:(1)从寻找源域和目标域不变特征空间出发,利用对抗思想提出一种联合边缘分布对齐和条件分布对齐的领域自适应算法。针对当前的基于对抗的领域自适应研究中的问题,提出应该先对数据特征进行边缘分布的对齐,再对数据特征进行条件分布的对齐。通过实验结果可以表明,本论文提出的算法在disgits数据集上MNIST→USPS、USPS→MNIST和SVHN→MNIST三个任务中,准确率达到96.2%,97.1%和90.4%;在office31数据集上A→W、D→W和W→D三个任务中,准确率达到91.4%、98.2%和99.8%,这些结果相较于单一类型的算法都有很大的提高。(2)提出一种基于半监督的领域自适应算法模型,针对当前的基于对抗的领域自适应算法中存在的问题,本文探索了利用半监督学习的技巧来避免使用对抗思想进行领域自适应的算法。根据一致正则性的思想设计了伪标签的获取方式,结合聚类损失和按聚类结构对齐的损失,直接显式地对源域和目标域数据特征进行对齐。通过实验结果可以看出,本论文提出的算法在office31数据集上A→W、D→W和W→D三个任务中,准确率达93.2%、98.0%和99.9%;在ImageCLEF-DA数据集上的六个任务的平均准确率达到了87.3%,这些结果都超过了同类的MSTN算法。(3)本文表达了对于自适应算法的研究展望,指出在未来的研究中应该关注于如何解决基于对抗思想的域自适应算法本身存在的问题和指应该更多的关注于在除了图像分类外的其它领域的应用。