随着数据规模和计算资源的快速增长,机器学习在理论和实践两方面都取得了长足进展。传统机器学习算法需要大量的标注数据用于训练,然而在诸多实际应用中获取大量标注数据的代价非常高。此外,传统机器学习算法通常依赖于训练数据和测试数据服从独立同分布这一假设,然而在实际应用中上述假设往往难以成立。域适应放宽了这一假设,能够从具有丰富标签数据的相关领域进行知识迁移与复用,是解决目标任务标注数据稀缺的一种基础方法。由于深度卷积神经网络具有很强的特征提取能力,深度域适应已经成为近几年域适应研究领域中的热点。本文重点研究了其中的两种主流方法:矩匹配和对抗学习。基于矩匹配的深度域适应方法的核心思想在于通过对齐源域特征和目标域特征的一阶矩或二阶矩使得两个领域间的差异最小,从而使网络端到端地学习到域不变特征。基于矩匹配的深度域适应方法比传统的浅层方法获得了很大的性能提升,但这些工作大多单一地对齐源域和目标域的一阶统计特征或二阶统计特征,对齐源域和目标域数据分布的能力有限。因此,本文提出了一种多阶矩匹配损失函数,该损失函数由多核最大均值差异和多核最大相关性差异组成,能够在再生核希尔伯特空间中同时对齐源域和目标域特征的一阶矩与二阶矩。实验结果表明:与单一地对齐一阶矩或二阶矩的方法相比,多阶矩匹配域适应网络在目标域上的性能有明显提升。虽然基于矩匹配的域适应方法取得了较好的性能,但是仍然存在未充分挖掘特征表达能力以及类别标签信息的不足。域对抗学习通过特征提取器和域判别器之间的“零和博弈”以及最小化源域分类损失来学习具有可区分性的域不变特征。然而,现有的域对抗方法大多利用一阶特征来学习域不变特征,而忽略了具有更强表达能力的二阶特征。因此,本文提出了一种基于二阶表征的条件对抗域适应网络,该方法通过联合建模图像的二阶表征以及特征和分类器预测之间的互协方差以便更有效地学习具有区分性的域不变特征。此外,该方法引入了熵条件来平衡分类器预测的不确定性,以保证特征的可迁移性。提出的方法在两个常用的域适应数据库Office-31和Image CLEF-DA上进行了验证,实验结果表明该方法取得了很好的领域迁移效果,性能优于同类方法。最新的研究工作表明合理利用目标域的伪标签可以有效提升模型在目标域上的泛化性能。由于伪标签通常包含噪声,因此在使用伪标签指导域适应任务时,如何正确选择伪标签数据至关重要。本文提出了一种基于图像变换的不确定性估计技术,该方法通过对输入图像进行多次数据增广计算其预测概率的不确定性,然后以此为准则简单、有效地筛选出具有高置信度的目标域伪标签样本。通过利用目标域的伪标签样本,基于二阶表征的条件对抗域适应网络在域适应数据库Office-31和Image CLEF-DA上的性能进一步提升,获得了领先的性能。