近几年,深度学习研究不仅推动了计算机视觉领域的发展,而且提高了模型在图像分类、目标检测和语义分割等各种视觉任务中的性能。但是,深度学习模型的成功依赖于大量标注数据。标注大量数据的成本极其昂贵,甚至是不可行的。因此,学者们提出了一种方法:在对新领域（目标领域）开展研究时,利用与其相关领域（源领域）中丰富的带标签数据进行知识复用和迁移,解决标签数据稀缺问题。源领域和目标领域由于数据采集方式不同,存在数据集偏移问题,可以运用对抗网络解决这一问题,缩小领域间差异,提升迁移效果。本文针对深度迁移学习中数据集偏移问题,运用生成对抗网络中对抗式学习对齐辅助领域（源领域）和目标领域两个领域的数据分布,在两个领域间数据异构且目标领域无标注数据情况下,利用带有大量标注数据的辅助领域（源领域）完成目标领域分类任务。本文创新性地从算法应用背景假设总结了对抗式域适配算法研究工作,提出了适用于通用域适配背景的对抗式域适配算法,并应用到静态人脸表情识别的分类任务中,相关工作总结如下:（1）针对当前对抗式域适配研究工作,首先对其进行定义和分类,按照源领域与目标领域的标签类别空间异同分为同构对抗式域适配和异构对抗式域适配两类。在同构对抗式域适配中,根据算法对领域中边缘分布、条件分布和联合分布不同的假设,将其分为边缘分布、条件分布、联合分布和动态分布四类同构对抗式域适配。在异构对抗式域适配算法中,根据算法应用背景假设,将其分为开放集对抗式域适配、局部对抗式域适配和通用对抗式域适配这三类异构对抗式域适配。（2）基于通用域适配背景假设,提出了一种新颖的对抗式域适配网络Multiweighted Adversarial Adaptation Network（MAAN）。MAAN运用生成对抗网络学习两个领域中的共享特征空间,通过生成器和判别器之间的对抗式学习过程来对齐领域间的特征。MAAN考虑到源领域中非公共标签空间数据对分类器的负迁移影响,通过加权机制来解决这一问题。同时,MAAN将最大均值差异和对抗式学习相结合,用于解决通用域适配背景中的特征适配问题,并通过聚类的方法简化模型阈值选取。实验表明,该方法与Domain-Adversarial Neural Networks（DANN）、Partial Adversarial Domain Adaptation（PADA）等其他对抗式域适配算法相比较,在Office-31、OfficeHome和Digits三个数据集中多个域适配任务取得最高分类准确率,且适用于同构域适配、开集域适、局部域适配三种应用场景。（3）将提出的MAAN算法应用到静态人脸表情识别的分类任务中,为该应用领域中数据集偏移问题提供了一个有效解决方案。实验表明MAAN能够在一定程度借助现有的表情识别数据集对真实驾驶环境中的人脸表情进行分类,且表现优于卷积神经网络Res Net-50及Partial Adversarial Domain Adaptation（PADA）和Open Set BackPropagation（OSBP）这两个对抗式域适配算法。