在大数据时代,计算机视觉得到了长足发展。但是很多模型的成功都依赖于大规模有标签的样本数据,在现实中却包含无数的新场景,模型需要面对不同视角、不同背景和不同光照的场景。在这种情况下,很多原本超越人类性能的模型无法预测新的任务,可能会遭受性能大幅下降。从头学习模型需要大量的标签样本,一方面需要耗费大量的人力资源成本。另一方面会造成时间成本以及硬件资源的浪费。考虑到数据或者任务之间存在相关性,可以通过域适应学习将已有的或者已学习的模型参数通过某种方式分享给新的模型从而避免从零学习。域适应可以帮助人类处理新的场景,超越了任务的限制,是机器学习在大规模使用中的强大推动力。域适应是迁移学习的一个子方向,可以突破传统机器学习中训练数据和测试数据必须服从独立同分布的约束,然而由于样本间和域间的差异,负迁移和欠适配始终是贯穿于域适应问题的一个重要挑战,本文统称为域失配问题。首先,由于源域与目标域的样本特征具有差异性以及源域样本类别之间具有不平衡性,可能使学习到的特征空间出现偏置现象;其次,在不同的任务中,源域与目标域之间的域间差异不同,当域间差异较小时,域适应可以辅助解决域差异问题,但是当域间差异过大时,域适应效果往往不够理想;再次,无监督域适应是最符合现实的一种场景,在该设置下,由于目标域缺乏标签,源域训练的模型通常会出现模型偏置。本文将重新审视域失配这个棘手的问题,根据迁移学习泛化误差上确界理论,分别从源域中特征空间偏置、域间分布差异、目标域模型偏置三个涉及到的子问题出发,从特征匹配重建、域生成、样本级对齐几个技术层面展开,改进目标域样本的期望误差边界。论文的具体工作和主要研究结果如下:（1）为了改善由于特征空间偏置造成的负迁移和欠适配,从特征匹配重建的角度出发,论文设计了两种基于子空间重构的域适应方法。（1）虽然子空间学习和重构在迁移学习中得到了广泛的研究,但现有的域适应算法忽略了类先验,特别是遇到某些类数据稀缺的情况下,会使得学习的模型存在偏置。为了改善这种现象,论文设计了一种具有类分离性的转移矩阵对齐源域和目标域。（2）考虑之前的子空间投影多数为线性投影,受深度神经网络的启发,非线性投影替代线性空间被引入进来。因此,论文提出一种基于神经网络非线性预测的特征重建方法,通过联合学习一组分层的非线性子空间投影和转移矩阵,从而实现简单有效的域适应。（2）从源域与目标域之间的相关性出发,现有域适配理论要求域间差异不能太大,然而实际场景中域间差异不可控,当域间差异过大时,重构学习通常并不能很好地解决域适配问题。为了避免这种困境,本文从生成的角度出发提出了两个方法。（1）为了避免域间差异过大造成的域失配,本文考虑生成辅助的中间域,使生成的中间域和目标域的差异尽可能在理论可控的范围内。受流形假设的启发,提出了一个生成差异度量准则——流形准则,并在该准则的引导下,提出了一种基于局部生成差异度量的中间域生成学习方法——流形准则引导的迁移学习,从而使生成域的分布拟合真正的目标域分布。（2）除了从生成的角度辅助子空间投影缓解域间差异外,受GAN的启发,从神经网络生成的角度,提出一种浅层半监督对抗域适应网络——耦合对抗域适应网络,从而直接生成域对齐的特征用于域适应学习。（3）基于深度学习的域适应方法是目前的主流,通常采取无监督的实验设置,目标域标签缺乏导致的模型偏置也是造成域失配的原因之一。为了缓解这种模型偏置问题,本文从类级别对齐的角度,结合边缘分布和条件分布,设计了三种域适应模型。（1）受互学习（mutual learning）的启发,论文设计了一个强弱分类器协作的域适应方法,通过相互蒸馏,从正则化的角度提出了一个由k近邻（k NN）分类器正则化softmax分类器的深度迁移学习架构。（2）现有的对抗域适应方法主要考虑边缘分布,特征和类别的联合分布并没有很好地进行对齐。为了解决这一问题,本文提出了一种自适应重加权对抗域适应方法,试图从条件分布的角度出发增强域对齐。（3）受三元组损失的启发,并考虑到样本对之间重要性关系的不同,本文从贝叶斯角度推导出了贝叶斯角度三元组损失,自动调整域内与域间样本对的权重,从而促进无监督域适应的模型训练。