目前,我们的生活中处处都能接触到深度学习。深度神经网络的成功应用需要大量的数据;但在现实中,我们拥有的数据相对较少,找到大量有用的数据为我们提供训练是不现实的。因此为了扩展数据集而提出了迁移学习,可以解除大量训练数据和大量训练成本的两个限制。之后,迁移学习成为了科学家们探索的重点并运用于各个领域中。领域自适应是一个具有更严格约束条件的迁移学习问题,也是迁移学习研究的热点。而本文进行研究的问题属于领域自适应方向的一个子类——通用域自适应问题。2019年提出的通用域自适应问题是指在普遍的生活情景中,目标域数据是未被标记的数据,无法确定源域和目标域的公有类别与各自的私有类别分别有哪些。在这个背景下,通用自适应网络是首个被提出用来解决该问题的方法。通用自适应网络方法实现了样本级的迁移,利用两个判别器进行样本的权重计算,成功地将非公共标签集标记为未知类,进而区分出公有类与私有类。在通用自适应网络方法被提出后,我们发现该方法忽略了每个域中的复杂结构,会导致公共标签集中类别之间数据分布的错位匹配。在此基础上,本文提出了一种新的方法——基于多判别器的通用自适应网络（Universal Adaptation Network based on Multiple discriminators,MUAN）。该方法利用多对抗性类判别器进行类别与类别之间的对齐,通过相关对齐测量两域公有类间的分布距离,并最小化距离损失。本文的方法能够在公平的实验环境下保证模型在目标域上的分类准确率,提高模型的迁移能力。与之前的方法相比,主要在两大部分进行了改进。首先在基础框架上使用多对抗性类判别器来对公共标签集进行更加细粒度的对齐。另外,本文提出的方法利用相关对齐进一步强制缩小了源域和目标域的公有类之间的分布距离。与现有的方法相比,本文提出的方法不仅注意到了每个域的公共标签集中的多模态结构,防止了类别对齐错误,能够有效避免负迁移,而且还利用相关对齐促进了模型的正迁移。本文提出的方法很大程度地扩展了深度对抗域自适应的能力,以解决更多的迁移学习问题。近年来领域内关于通用域自适应问题的大部分论文都没有统一的实验对比标准,而本文进行了流行方法与基于多判别器的通用自适应网络方法在目标域上训练的分类准确率的对比实验,可以较为公平的显示出各个方法的优劣。另外,本文还评估了我们的方法在方法性能方面的五个对比实验,从实验结果中可以得知本文提出的基于多判别器的通用自适应网络方法具有更好的迁移效果,能够有效缩小源域与目标域数据分布之间的距离,并且实现更细粒度的对齐。