随着数据规模的增长和计算能力的提高,机器学习技术已被成功应用于许多领域。传统的机器学习方法需要大量有标签的训练数据,且要求训练数据和测试数据满足独立同分布假设。然而,实际环境复杂多变,传统机器学习方法的应用条件很难被满足,这极大地限制了机器学习技术在现实场景中的应用。领域适配放宽了传统机器学习中训练数据和测试数据之间的独立同分布约束,因而能够从相关领域（源领域）中挖掘知识,并利用得到的知识解决当前任务（目标领域）中标签稀缺的问题。当目标领域中完全没有可用的标签时,如何从源领域获取与目标领域相关的知识并提高源领域的模型在目标领域中的性能是一个具有挑战的问题,这一问题被称作无监督领域适配。在无监督领域适配中,根据模型是否使用了深度神经网络结构,可分为浅层领域适配和基于深度学习的领域适配,本文分别对这两类问题展开研究。此外,领域适配方法的性能主要受两个因素的影响,即特征的可迁移性和可判别性。由于领域间差异的存在,适配过程在提高可迁移性时会舍弃领域特有信息,从而导致可判别性的损失,反之,在保留各领域的判别信息时,会导致可迁移性的减弱。因此,可迁移性与可判别性的增强与平衡是提高领域适配方法性能的关键。本文对增强可迁移性和可判别性进行研究。本文的主要研究内容与贡献如下:（1）针对浅层无监督领域适配问题,提出双加权领域适配方法（Double Weighted Domain Adaptation,DWDA）。一方面,DWDA中的分布匹配加权策略衡量各类别的条件概率分布匹配之间及其与边缘概率分布匹配之间的相对重要性,对分布差异较大的分布匹配给予更高关注。另一方面,DWDA中的样例加权策略衡量各样例的相对重要性,对可适配性高的样例给予更高关注。两种加权策略的结合提高了方法的适配性能。实验在三个公开数据集上展开,实验结果表明DWDA取得了优于对比方法的性能,两种加权策略的有效性也得到了验证。（2）针对基于深度学习的无监督领域适配中可判别性增强问题,提出基于特征拼接的领域适配方法（Feature Concatenation for adversarial Domain Adaptation,FCDA）。FCDA为每个样例生成两个不同的视图,以特征拼接的方式集成两个视图中的互补信息,从而提升特征中蕴含的判别信息量。本文还通过实验验证了FCDA中对抗训练得到的两个视图满足一致性与互补性原则。实验在四个常用的数据集上进行,验证了FCDA的有效性。（3）针对基于深度学习的无监督领域适配中可迁移性增强问题,提出基于Softmax的原型构建与适配方法（Softmax-Based Prototype construction and Adaptation,SBPA）。SBPA使用分类器的Softmax输出构建源领域和目标领域的原型,可以充分挖掘每个样例中蕴含的判别信息,同时可以缓解由不准确的伪标签导致的原型偏差。SBPA通过原型对齐实现类级匹配,更可靠的原型有助于提升类级匹配的效果。此外,SBPA在共享特征提取器的基础上增加残差块,显式建模领域间的特征分布差异以调整特征提取器提取的目标领域特征,从而进一步降低领域间的特征分布差异,增强特征的可迁移性。实验在四个标准数据集上进行,验证了SBPA的有效性,尤其是在当前最难的领域适配数据集DomainNet上,SBPA展现出明显的优势。（4）针对基于深度学习的无监督领域适配中可迁移性和可判别性增强问题,提出同时增强可迁移性和可判别性方法（Enhancing Transferability and Discriminability Simultaneously,ETDS）。ETDS包含两个领域特定的模块,用于显式捕获领域特有信息,这有利于在领域共享特征中保留共有信息,从而增强特征的可迁移性。ETDS驱使特征靠近其相应的原型,通过强化聚类假设增强特征的可判别性。此外,本文还提出一个平衡策略,根据原型的可靠程度控制源领域原型和目标领域原型的相对贡献,进一步提升方法的性能。实验在四个数据集上进行,验证了ETDS的有效性,且ETDS在当前最难的领域适配数据集DomainNet上展现出明显的优势。