深度学习算法往往假设训练集与测试集分布一致。然而,在实际应用中,由于采集设备、环境条件不同等因素,导致测试数据分布与训练数据分布不一致。当模型应用到目标测试数据时,性能大幅下降。一种解决方案是用标注的目标数据来微调模型,可是数据标注过程成本高昂。为了解决这个问题,无监督领域自适应探索把源域所学知识迁移到目标域,进而提升目标域性能并节省标注成本。现有的无监督领域自适应算法通过分布对齐的方式以求解决源域与目标域之间的域差异这一挑战,并取得了不错的效果。然而,这些算法还存在以下问题:（1）仅考虑单尺度域不变特征的学习,无法解决需要多尺度判别特征的任务;（2）当由于隐私保护不可访问源域数据时,算法无法进行领域自适应。针对以上存在的两个问题,本文分别对多尺度域不变特征学习问题和无源数据领域自适应问题进行探索。首先,针对多尺度域不变特征学习问题,本文提出了一个多尺度多目标域对抗网络,该网络包含一个多尺度模块用于全局和局部信息的提取。同时,通过多域对抗学习多尺度域不变特征,从而更好地处理多尺度判别任务。本文将该方法应用于闭角型青光眼检测任务,在一个真实眼前节相干断层扫描图像数据集上验证了该方法的有效性。其次,针对无源数据领域自适应问题,本文提出了一个原型特征生成与自适应算法。针对源域数据不可访问的问题,本文设计了一个原型特征生成策略,该策略为每个类别生成代表性的原型特征。基于生成的原型特征和目标数据伪标签,本文设计了一个原型特征自适应策略,该策略把每个伪标注的目标样本与对应类别的原型特征对齐。同时,采用置信度重加权和早期学习正则化缓解模型对噪声标签的学习,从而在不访问源域数据下把源模型适应到目标域。在三个基准数据集（即是Office-31、Office-Home和Vis DA）上的大量实验验证了该算法的有效性和优越性。此外,还证实了所提出的原型特征生成策略可以帮助传统无监督领域自适应方法解决无源域数据的问题。