获取大型的带注释数据集是非常昂贵的,需要从现有标签的数据集到未标记的数据的转移过程。然而,特定应用程序相关的数据通常与公开可用的数据集不同,因为这些特定的数据是来自不同的领域。虽然域自适应在利用源领域的标记数据来学习未标记目标领域的精确分类器方面已经取得了巨大的成功,但是这些域自适应算法都是在源域与目标域具有相同类别,利用标签丰富的源域信息对标签稀少且分布相似的目标域数据进行迁移学习。然而,由于现实场景的复杂性和开放性,源域和目标域在类别空间上往往不尽相同,往往会各自包含一些类别未知且超出现有类别设定的样本。对于这样具有挑战性的开放集场景,传统的域自适应算法将无能为力。为了有效解决这种开放性的难题,本文提出了新的模糊域自适应算法,本文具体研究工作如下:（1）本文提出一种面向开放集的模糊域自适应算法。此算法将目标域样本的子集与源域的已知类别相关联,并引用不确定性的模糊化,计算目标域样本的模糊隶属度。此外,该方法通过最小化分配距离来学习从源域到目标域的映射,逐步迭代将源域与目标域转化在同一特征空间下。根据目标域样本中是否包涵有待标签信息的样本,分为无监督域自适应和半监督域自适应。通过对无监督和半监督的图像迁移任务的大量实验,验证了该算法对于开放集场景下图像分类的有效性。与此前表现较好的算法相比,该方法分类效果更具有显著性。（2）鉴于此前已经出现了几种解决开放集域自适应的方法,但都没有考虑目标域的开放性,这种开放性通过未知类在所有目标域类中的比例来度量的。开放性是开放集域适应的一个关键点,对实验性能有重要影响。此外,目前的工作是在不排除未知样本的情况下将整个目标域与源域对齐,这可能会由于未知类和已知类之间的不匹配而导致负迁移。基于此前引进隶属度提出的开放集模糊域自适应算法,进一步探索了迭代中分离目标域中已知类和未知类样本的方法,仅将从目标域中分离出的已知类与源域对齐,减小两个域之间的分布差异,进行模糊域自适应。这种方法更好地解决了由于未知类和已知类之间的不匹配而导致负迁移带来的影响。对开放集协议设定的office数据集上进行了大量实验,验证了该算法可以逐步增强域自适应分类模型的准确性和鲁棒性,与传统的域自适应算法比较,该算法在图像分类中也有更显著的效果。