无监督域适应（Unsupervised domain adaptation,UDA）是一种通过从有标注的源域里获得知识,并把知识迁移到缺乏标注的目标域上的机器学习方法。现主流域适应研究关注于对齐两个域的特征分布,借此希望在源域训练的分类器能适用于目标域数据。但这些方法通常存在两个缺陷:（1）分类器偏向源域数据:大部分UDA方法只考虑最小化两个域的差异和源域的分类损失,而不对分类器施加其他约束。所以在这些方法中分类器往往会偏向源域数据,从而导致模型在目标域表现下降。（2）目标域特征区分性不足:现有方法可能只对齐区分性不强的特征（对分类相关性小的特征）。因此他们无法在目标域生成区分性强的特征。针对这些问题,本人在这篇文章中分别提出了以下两种新的UDA框架,（1）针对分类器偏向源域数据的问题,本文提出了一种改进的无监督域适应算法（Reducing Bias to Source Samples for Unsupervised Domain Adaptation,RBDA）。本文的RBDA算法能同时实现特征对齐和减轻分类器的偏向问题。算法使用条件域对抗来学习样本特征和预测的多模态信息,从而实现域对齐。同时针对偏向问题,本文的RBDA算法提出三种措施:使用Teacher模型来指导原模型的训练;使用正则项来约束模型;使用改进的交叉熵函数来学习源域监督信息。这些措施使RBDA算法能有效对齐跨域特征分布并减轻域适应的偏向问题。RBDA算法在Office-31数据集,Image CLEF-DA数据集和Vis DA-2017数据集的迁移准确率分别达到89.2%、88.8%和72.3%,效果优于目前领先的UDA算法。（2）针对目标域特征区分性不足的问题,本文提出了基于嵌入聚类的自监督无监督域适应方法（Self-Training with Embedded Clustering for Unsupervised Domain Adaptation,STEC）。本文的STEC算法采用了通过使用目标域样本进行聚类来产生假标签样本进行自监督学习。这种方式有利于模型从目标域样本中学习到额外的区分性信息。具体地,本文的STEC算法使用不完备自编码器框架从原始特征中学习到一个嵌入特征空间和重构特征空间。在嵌入空间使用了无监督聚类的方法给目标域样本打上假标签进行自监督学习。然后在重构空间训练分类器。与此同时,模型施加聚类约束来保持目标域结构。本文的STEC算法在Office-31数据集,Image CLEF-DA数据集和Vis DA-2017数据集上的迁移准确率分别达到90.5%、89.8%和73.6%,结果要优于目前领先的UDA算法。