随着深度神经网络的发展,有监督深度学习在有大量标记数据的领域已经可以取得不错的效果。但实际上很多领域只有大量未标记的数据,对大量数据进行人工标注不仅耗时耗力、成本昂贵,而且标注质量直接关系到模型的效果。如何利用大量无标记数据训练模型,成为了深度学习发展的一个重要问题,领域自适应方法就是解决这一问题的一种有效方法。目前,基于对抗网络的领域自适应方法取得了较好的效果。这类方法借鉴生成对抗网络的训练思想,通过对抗训练的方式优化领域分类损失,对源域和目标域的特征分布进行对齐;通过降低两个领域特征表示的分布差异,使采用源域数据训练的模型可以应用在目标域数据上。现有的领域自适应方法是在域适应后的特征上进行模型训练,没有充分利用目标域数据的原始信息,当两个领域的数据分布差异较大时,目标域数据的关键信息在域适应过程中会因为特征对齐而出现损失,降低目标域特征的域内可鉴别性。针对现有方法的不足,本文基于对抗网络的领域自适应方法,在优化对抗训练的过程、提高目标域数据特征的可鉴别性上做出改进,并通过集成学习提升模型的效果。(1)提升目标域数据特征的可鉴别性。通过聚类获得目标域数据的伪标记,并利用带伪标记的数据在领域自适应中通过有监督学习的方式约束目标域特征编码器训练。通过利用目标域数据的原始分布信息,提高目标域特征的可鉴别性。(2)集成学习。对聚类得到的伪标记数据进行标记校正,并根据校正样本训练分类器。利用聚类结果训练的分类器和领域自适应训练的分类器进行集成学习,选出高置信度的样本继续训练模型并进行迭代,提升模型的最终效果。用聚类结果训练的分类器不会出现特征对齐过程中的特征损失,聚类与域适应训练的两个分类器具有更好的多样性,有利于集成学习。最后,本文在领域自适应的4个标准数据集上进行了实验,并与目前几种先进的领域自适应方法进行了对比,结果表明本文提出的改进方法实验结果好于其他对比方法。通过对结果的可视化分析,证明本文在特征对齐效果和目标域特征可鉴别性上均有提高。