在现实社会的生产生活中,随着数据量的快速增长,我们对图像以及其他类型的数据进行分析和利用的需求飞速增长。为了分析多种数据类型的各种数据任务,我们在深度学习上取得了飞速进展,这给我们的生活带来了便捷性,极大地提升了生活的品质。尽管深度学习在众多应用中取得了成功,但其出色的性能在很大程度上取决于大量的标记数据,标记数据的过程一般都耗时耗力。为了减轻对数据标注的高度依赖,一个解决方案是利用一些已有标签的其他数据域的信息来应用到对该数据域的学习上。所以,需要解决其他数据域和该数据域的数据分布不匹配问题。在过去的研究中,研究者们提出了大量的域适应方法并在实验中证明其对域间解决数据分布不匹配问题的有效性。但是,现今的域适应方法没有考虑模型在无标签的目标域上的预测结果的稳定性,所以在目标域缺失标注这种更困难的无监督域适应场景下,往往在目标域上不能有好的预测效果。本文针对上述不足,提出了两种基于对抗和正则化方法的新颖的域适应方法,现对这两种方法总结如下:(1)我们提出了权重时序正则化域对抗网络(W-TeDAN),一方面使模型学习到域之间的不变通用特征,减少域之间的距离;另一方面正则化约束模型在无标签数据域上的预测结果,有效地利用无标签数据的信息。除此以外,本文方法采用基于标签信息的条件分布来表示域分布,和仅仅使用边缘分布表示相比,域对抗网络会同时考虑标签和数据的信息,从而使域适应的目的更细化精确。我们也通过实验来证明了该方法的有效性。(2)在域适应的过程中,可能有一些内在的隐式特征和其它内在的隐式特征相比更易于在域之间传递,我们构造的域适应网络最好能够学习到这种更广泛的特征并使其在域之间迁移,基于这个目的,我们提出了一种基于元学习的权重时序正则化域对抗网络(W-TeDAN-meta)。我们企图通过引入元学习的思想使整个模型在各个子任务上迅速学习到一些经验,而不会过度拟合子任务进而将各个子任务学习到的经验综合起来以使目标任务学习得更好。除此以外,模型集成能够使预测结果更稳定。实验表明,该方法能够进一步提升预测效果。