传统的机器学习算法学习能力强、自适应能力强,通常需要满足两个条件:一是要有大量的标签数据,二是需要训练和测试数据具有相同的概率分布。然而,在大多数实际应用中,上述两个条件是很难满足的。为了突破传统机器学习算法的瓶颈,越来越多的研究者们开始关注域适应算法,希望利用有标签的源域数据去学习无标签的目标域数据,同时源域和目标域有着不同且相关的分布。大量的域适应算法被证明域适应可以很好地解决不同域下的知识迁移问题,同时域适应已经广泛应用于图像识别、文本分类、情感分析等问题。当前大多数的域适应方法通常分为特征匹配和实例重加权两种方法。特征匹配方法希望学习一种新的特征表示来减少域间的数据分布差异,实例重加权方法则是根据源实例与目标实例的相关性对数据进行权重调整,从而减少分布差异。同时,还有一些域适应方法通过结合这两种方法提出了联合优化方法,希望更进一步减少域差异。然而,这些域适应方法一味地减少域差异,却忽略了数据的内在结构以及数据间的相关性。尽管当前也有大量的域适应方法专注于数据属性的保护,但是却又忽略了域间差异,导致算法效果并不显著。因此,本论文将提出新的域适应方法,以此解决数据分布对齐和数据信息保护两者难以同时优化的问题。为了更好地保护数据的多种信息,本论文主要专注于低秩技术和图嵌入技术两方面,分别对两种技术进行研究。低秩性可以保护数据的主要属性,譬如源数据中有辨别能力的数据信息以及目标数据的主要属性,图嵌入可以保护数据关系。通过结合低秩技术和图嵌入技术,新的域适应方法在对齐分布的同时,也将大大增强对不同的数据信息的保护程度。值得注意的是,本论文在多个标准的数据集上进行了大量的实验,实验结果证明,与当前大量的域适应算法相比,结合低秩和图嵌入技术的域适应方法有显著的优越性。除此之外,本文将所提的域适应方法应用到在线数据流分类,并且提出了一种跨域数据流分类模型。实验证明该模型可以解决当前数据流分类算法无法解决数据分布差异的问题。