在机器视觉领域要拥有大量带有标签的数据代价是昂贵的。在传统的监督学习任务中,当所拥有的标记数据不足时,学习到的模型不具有很好的泛化力,无法满足现实的要求,在这背景下,领域适应作为一种新技术被提出,从而实现将从一个标签数据丰富的源域中学习到的分类器,用于只有少量数据有标签或者完全没有标签的目标域,并将从源域中学习到的知识用于完全没有标签的目标域中的方法称为无监督领域适应。目前,无监督领域适应方法主要存在的缺陷在于:1)由于领域差异的存在,域类中远离其类中心的样本被错分类率很高;2)目标域数据没有显式的标签数据,所以现有的领域适应研究中常忽略目标域的隐式标签数据,从而导致学习出的模型有差的性能表现;3)在现有的研究中,没有更深层的思考域间类以及域内类中类之间的异同。因此,为了解决上述的问题,本文的主要研究为:第一,为了解决因为源域和目标域存在域差异而导致在域类边缘的样本较高的误分率的问题,提出了基于对抗学习特征相似性增强的领域适应方法。它通过对抗性博弈策略和相关性域对齐来学习域不变特征,使得源域和目标域之间的域差异减小,并通过联合中心判别和特征相似性增强使得学习到的域不变特征具有更高的类内紧凑性和类间可分性,从而使得这些特征具有更好的判别性。为了更好的实现所提功能,设计了双通道参数共享的对抗学习网络。另外,通过梯度下降方法学习网络参数,根据分类器的输出以实现对目标域数据的标签预测。第二,为了解决现有的方法因忽略目标域的类标签信息而没有实现域差异最小化的情况,提出了基于对抗域类鉴别学习的深度哈希领域适应方法。首先,设计了基于对抗学习的深度哈希领域适应网络的结构,其由不共享参数的提取器、域鉴别器以及共享参数的哈希编码器所组成;其次,为了使用源域和目标域的类标签信息,设计了域类鉴别损失,其作用是联合源域的显式标签信息和目标域的隐式的标签信息,从而实现类内差异和类间差异进行了联合优化,以提高领域适应的性能;最后,通过梯度下降方法学习网络参数,更具分类器的输出以实现对目标域数据的标签预测。第三,为了使得域类间特征更具可分性和域类内特征更具紧凑性,以实现更加有效的领域适应方法的性能,提出了基于哈希编码的核化域差异鉴别的领域适应方法。首先,整个方法是基于对抗学习的深度哈希领域适应网络的结构来实现;其次,设计了核化域类差异鉴别损失函数,其通过核化的方式将提取的特征映射到高维空间,并联合目标域和源域类标签信息的损失函数;最后,通过梯度下降方法学习网络参数,更具分类器的输出以实现对目标域数据的标签预测。本文所提的AASE、ADHDA和HKD~3A三种方法都在数字识别、office-home和office-31数据集上进行充分的实验,并与现有的领域适应方法进行了比较,从这些结果进行了分析中得出,本文所提的AASE、ADHDA和HKD~3A模型为无监督领域适应提供了更加有效的方法模型。