机器学习作为人工智能的核心技术之一,被广泛应用于安防、工业制造、医疗等领域,产生了巨大的经济和社会效益,与人们的日常生活息息相关。传统机器学习假设测试样本与训练样本独立同分布,从而训练的模型在测试集上有稳定的性能。然而,由于真实场景复杂多变,该假设往往无法满足。例如,场景中光照、背景、相机拍摄角度、像素大小等变化均会产生数据集差异。此外,即使针对相同任务,利用不同方法采集标注训练数据的成本通常也存在很大区别。因此,研究域自适应技术,利用相关源域上的监督信息进行模型训练,减少对目标域训练样本依赖,从而降低训练成本,具有十分重要的意义。域自适应技术利用已知的源域数据和未知的目标域数据训练模型,并尽可能保证模型在目标域上的性能。学习具有域不变性的特征空间,从而实现判别模型从源域到目标域的迁移,是当前一种主流的域自适应框架。其中,最大均值差异度量（Maximum Mean Discrepancy,MMD）常用于度量域间差异,从而通过最小化MMD学习域不变特征。然而,当前域自适应算法仍然存在鲁棒性差、性能不稳定的问题。对此,本文将从高效鲁棒的域间差异度量、源域样本可迁移性以及高效的多源域迁移策略三个方面出发,分别结合基于源域类别、源域样本以及不同源域的可迁移性估计,设计高效鲁棒的深度域自适应算法。具体研究内容及创新点如下:（1）从类先验分布差异角度出发,提出基于加权最大均值差异（Weighted MMD,WMMD）度量的域自适应方法。现实场景中,受应用场景、采样标准等因素影响,源域和目标域通常存在类先验分布不一致的现象,产生了负迁移影响。现有域自适应方法忽略了该问题,导致域自适应算法性能下降。提出首先对源域类别进行加权,从而加权后的源域与目标域类先验分布一致。基于该思想,改进标准MMD,提出加权最大均值差异WMMD。进一步将WMMD与深度框架融合,构建了加权域自适应模型WDAN,并扩展了半监督学习的分类期望最大算法用于WDAN求解。实验结果证明,基于WMMD度量域间差异,WDAN能有效减少类先验分布差异带来的负迁移,更好地保留特征的判别能力,从而取得更好的域自适应性能。（2）类条件分布间的差异可以更准确地衡量域间差异,提出最小化类条件分布差异的域自适应方法。类条件分布差异衡量了域间同类样本的差异,同时避免了域自适应过程中类间的相互影响,可以作为域间差异更好的度量。为了衡量域间类条件分布差异,提出先计算每类的域间差异然后求和。基于该思想,改进标准MMD,提出类特定的最大均值差异CMMD。此外,由于目标域类别标注未知,进一步分析了训练过程中目标域伪标签估计不准确产生的影响,并提出高效鲁棒的域差异度量CWMMD。将CWMMD与深度模型相结合,提出CWDAN域自适应方法。实验证明,CWMMD可以更有效地衡量域间差异,同时对域间类先验分布差异和伪标签估计不准确具有更好的鲁棒性,从而进一步提高域自适应效果。（3）针对源域上无关样本带来的负迁移,提出基于PU学习（Positiveunlabeled Learning）的局部域自适应方法。随着海量数据的涌现,通常可以利用大规模公开数据集作为源域进行域自适应。然而,大规模源域中包含大量与目标域无关的样本,将会带来负迁移效果,导致局部域自适应任务上模型性能下降。为了对源域样本可迁移性进行估计,提出结合PU学习机制对源域样本进行权重估计,引导域自适应过程,提出局部域自适应方法PUPDA。实验证明,PUPDA在减少源域上无关样本产生的负迁移,同时促进共享类上的正迁移,从而有效提高局部域自适应性能。（4）域间相似度与域自适应效果有着密切联系,提出基于域加权的多源域自适应算法WMDAN。针对一个目标域,往往可以利用多个源域来进行迁移,通过提高数据多样性从而增加模型的泛化能力。主流多源域自适应方法在训练过程中对所有源域采用相同的迁移策略,忽略了域间相似度对域自适应效果的影响,无法高效利用多源域数据。为此,提出不同源域的可迁移性估计,利用域间相似度引导域自适应过程,构建多源域自适应网络WMDAN。在实验部分,首先在目标检测任务上进行验证,随后进一步扩展了检测网络,在更复杂的机械臂抓取任务上,实现模型从多样化仿真环境到真实环境的迁移。