传统的机器学习要求训练数据和测试数据服从独立同分布的假设,且需要大量有标注的数据才能训练出较理想的模型。在实际应用中,环境的变化或采集条件的限制使得采集的数据不能满足独立同分布的假设,导致模型的泛化能力显著下降。在这种数据存在分布差异的场景下,需要重新收集、标注数据并构建新的模型。然而,采集并标注业务场景数据是非常昂贵的,在某些场景中甚至是不可能的。域适应的出现正是为了解决上述数据分布存在差异的学习问题。域适应是迁移学习的子领域,是机器学习领域重要的研究方向,在计算机视觉、自然语言处理、生物信息学等领域都有广泛的应用场景,它通过将辅助领域上学习到的知识或者模式应用到不同但相关的目标域中,一方面能实现对已有知识的重用,使传统的从零开始学习变成可积累的学习;另一方面,由于放松了传统机器学习中训练数据和测试数据必须服从独立同分布的假设,使得参与学习的领域数据可以服从不同的分布,能够有效地解决跨领域的学习问题。尽管对域适应的研究已经较为充分,但现有域适应方法仍存在特征拟合不充分,跨域泛化能力不足,域间分布适配不足以及多源域中的负迁移等若干关键问题。本文围绕域适应研究及在皮肤病诊断中应用的若干关键问题开展研究,提出解决方法,然后将提出的方法在皮肤病的诊断中进行验证,开展应用技术研究。论文的具体研究内容如下:（1）针对传统域适应中特征拟合不充分的问题,提出结构保持和分布对齐的判别迁移子空间学习框架,在对齐跨域的边缘分布和条件分布的同时保持数据的全局和局部结构,并利用ε-拖拽技术增加源域数据的判别性,从而从域适应理论角度减小域适应泛化误差。解决仅利用数据的几何结构或统计属性导致的欠拟合问题。在五个目标识别数据集上的广泛实验结果表明,SPDA能缓解传统域适应方法中特征拟合不充分的问题,并且在平均识别精度上领先当前最好的域适应方法,在深度特征上的实验取得了比经典深度域适应网络更好的识别性能。（2）针对域间分布差异大时存在的分布适配不足和跨域泛化能力不足的问题,提出两个解决方案:首先提出重要性加权的条件对抗域适应网络,IWCA。IWCA根据附加域判别器的输出导出的重要性准则对源域样本进行赋权,重新衡量域间分布差异,消除不相关实例的负面影响,充分对齐跨域的条件分布。从迁移交叉验证的角度推出样本选择准则,选择与源域有一致密度估计且具有较低风险误差的的目标样本,以自学习的方式学习目标模型,从而极大地提高模型的判别性。在目标识别任务上的实验结果表明,IWCA能取得当前最好的平均分类精度。在皮肤病分类的实验结果表明,当域间差异较大尤其是有噪声数据存在时,IWCA相比其他域适应方法能取得4%至12%的精度提升。然后提出在对抗域适应中同时提升特征的迁移性和判别性的域适应方法,MRE。MRE首先分析对抗域适应中特征的迁移性提升导致特征判别性下降的原因,接着研究如何提升特征的判别性。利用标签空间中相同类别的数据呈现低秩结构,不同类别的数据呈现高秩结构。用最小化核正则替代低秩约束,最大化核正则替代高秩约束,增强特征的判别性。同时在特征空间和标签空间对齐数据的分布,增强特征的迁移性。在皮肤病分类的验证实验表明,当域间存在较大差异时,MRE可以显著提高皮肤病分类的性能。多个域适应场景下的皮肤病分类实验结果表明IWCA和MRE表现相当。（3）针对多源域中的负迁移问题,提出领域特定的表示和域间相关性学习的多源域适应方法,LDRDR。研究从多个源域中充分挖掘可迁移的特征表示,并运用于目标域的学习。首先研究特征提取网络,在公共特征提取器之后,为每个源域-目标域对增设一个域特定的特征提取器以充分学习各个域的域公共知识和领域特定的知识。然后研究如何衡量各源域相对目标域的相关性,按照相关性大小对各任务判别器进行集成,使得目标域能最大程度地利用各个源域的知识。在四个目标分类数据集的大量实验表明LDRDR能缓解负迁移问题。跨多源的皮肤病分类实验结果表明,LDRDR能取得当前最好的域适应效果。（4）本文提出的三个深度域适应方法在不同域适应场景对应的跨域的皮肤病诊断任务中均取得了最好的域适应效果,性能显著优于其他域适应方法。相比于没有域适应的方法,本文提出的域适应方法平均性能提升约5%-12%。