近年来,无监督域自适应（Unsupervised Domain Adaptation,UDA）算法成为了深度迁移学习算法的研究热点,该算法要求仅源域数据有标签,目标域数据无标签。目前,大多数UDA算法都是针对单源无监督域自适应展开研究,然而在实际场景中,源域数据往往是通过各种来源获得的,不同来源获得的源域数据与目标域数据在特征分布上相似但相似程度有所不同,而且不同来源得到的源域数据在数据分布上也会存在差异,单源无监督域自适应算法在解决这种多源域的实际情况时表现出了次优性能。而且,目前大多数多源域自适应算法也没有考虑到将各源域与目标域特征分布之间的差异信息加入到网络的迭代训练过程中,反而是均衡地利用各源域的特征信息进行迁移学习,这种处理不能合理有效地迁移各源域的特征信息,导致了负迁移现象的产生。本文主要针对多源无监督域自适应算法展开研究。首先,本文考虑多源域自适应过程中均衡利用各源域特征信息所产生的负迁移问题,基于Wasserstein度量以及最大均值差异（Maximum Mean Discrepancy,MMD）度量,提出了多源非均衡域自适应（Multi-source UnBalanced Domain Adaptation,MUBDA）网络;其次,为了进一步地提高目标域数据的识别精度,本文提出了样本优化算法,避免了无关信息的迁移。（1）针对多源域自适应过程中,均衡利用各源域特征信息所产生的的负迁移问题。首先,本文基于各源域与目标域特征分布之间的差异程度,提出了多源非均衡域自适应调节机制（Multi-source unbalanced domain Adaptation adjustment Mechanism,MAM）;同时,本文也基于控制变量法提出了单源权重调节机制（Single-source weight Adjustment Mechanism,SAM）,通过实验对比,进一步表明了多源非均衡域自适应调节机制的合理性;其次,本文基于多源非均衡域自适应调节机制提出了 MUBDA网络,该网络能够非均衡地借鉴各源域的特征信息,减弱了负迁移的影响;最后,本文在多个公共无监督领域自适应数据集上评估MUBDA的性能,并与多个无监督域自适应方法的实验结果进行对比,重点对比多源域自适应方法DCTN、M3SDA、MDAN的实验结果,验证MUBDA网络的有效性。（2）针对多源域自适应过程中样本优化的问题。首先,本文基于相互关系对齐（Correlation Alignment,CORAL）度量构建单源域自适应网络;其次,本文基于源域数据质量因素提出了解决负迁移现象的样本优化算法,以避免源域中无关信息的迁移;最后,本文通过将手写字符数据集输入到基于CORAL度量的单源域自适应网络中,利用样本优化算法剔除负样本,提高目标域的识别精度,同时,本文利用Office-31、Office-Caltech10以及ImageCLEF-DA数据集,将样本优化算法应用到基于Wasserstein度量的MUBDA网络中,进一步体现本文样本优化方法在多源域自适应中的有效性。实验结果表明,本文方法取得了较优的识别效果。首先,本文基于Wasserstein度量提出的 MUBDA 网络,在 Office-31 数据集、Office-Caltech10 以及 ImageCLEF-DA 数据集上均表现出了较优的识别效果;其次,本文将样本优化算法应用到基于Wasserstein度量的MUBDA网络中,对比样本优化前后的实验结果,目标域的识别精度在多个数据集上均有提升。