域适应作为机器学习的新兴领域之一,目前已在语义分割,图像检测等方面取得了广泛的应用。在域适应中,通常目标域样本完全无标签,这种场景被称为无监督域适应（UDA）。当前,尽管已有许多UDA模型被提出,然而这些方法大多只考虑源域信息如何利用,没有从更深层次挖掘域之间的关系信息,这为本文留下了改进空间。此外,随着域适应场景中源域可获得信息逐渐减少,逐渐诱导出无源域适应,完全无监督域适应等场景。为此,本文尝试探索源域与目标域之间更深层次的关系,并对其建模表示,同时尝试在监督信息更少的域适应场景中挖掘更深层次关系,并完善其建模。总而言之,本文所做主要工作如下:1)挖掘域间类权重与样本权重的平衡关系。为解决源域和目标域的类权重与样本权重不匹配的问题,本文提出了SCUDAN模型。一方面,该模型根据各个类的样本数量确定类权重后,通过消除类权重差异的方式实现权重的对齐。另一方面,该模型定量的表示样本与类中心的空间距离,通过空间距离定义各个样本的权重,实现了样本权重的对齐。最后,本文将上述权重对齐方式与CNN网络相结合,提出了SCUDAN模型。大量实验表明,SCUDAN模型相比于现有的域适应模型更具有效性与优越性。2)探索无源场景下分类模型之间的深层关系。无源域适应的难点是源域分类器在目标域上不可信。为解决无源域适应中源域分类器在目标域上不可信的问题,本文提出了STDA算法,该算法首先利用目标域构建用于替换源域的伪源域。然后,本文设计出样本传输决策函数,用于判断目标域样本的置信度,置信度高的样本将视为可靠样本。借助这些可靠样本和分类器赋予的伪标签,本文实现了条件分布的对齐。通过循环样本决策与条件分布对齐,STDA实现了目标域样本的可信标签赋值。大量实验表明STDA算法在无源域适应场景中具有有效性和优越性。3)单源多目标完全无监督域适应场景下深层信息挖掘。完全无监督域适应与单源多目标域适应的结合导致无监督的信息更多,而可用的有监督信息更为稀少。为此,本文借助字典学习,提出了两种域间关系挖掘利用的域适应算法:UDA-SKTR算法和DL-MTDA算法。前者将字典和源域投影作为先验知识信息的集合,并利用字典的稀疏表示使目标域从源域中抽取符合自身域特征的信息。后者利用统一的字典稀疏重构源域和目标域,此外,考虑到目标域之间的差异性,后者还利用了差分字典刻画目标域自身的特有知识。大量实验证明,UDA-SKTR算法和DL-MTDA算法在单源多目标完全无监督域适应场景中均具有有效性和优越性。