机器学习与深度学习已经在人类各个领域展现出了优异的表现,然而这是建立在大规模的数据收集与数据标注的前提下,数据标注非常昂贵,为了减少成本,需要用到迁移学习。在缺少标注的情况下,利用有标注的相近数据集进行知识的获取,并将获得的知道迁移到无标签的相关数据集,以达到知识复用的目的。将源域的知识应用于目标域,这在迁移学习中被称为领域自适应,是迁移学习中的核心问题也是本文关注的重点问题。本文利用生成对抗网络GAN中对抗的思想,在目标域无监督的条件下,将源域与目标域在数据分布层面进行对齐。本文工作及贡献主要是,将生成对抗网络与迁移学习相结合,提出了以下三种对抗迁移学习算法。1)本文提出了一种基于注意力增强的对抗迁移算法AEAN,在特征提取部分,引入了多通道注意力模块,并利用1×1卷积,进行维度变化与跨通道信息交互等操作,在多个维度对数据进行融合,并在注意力模块中进行加权融合,对迁移的特征在通道层面进行了加强,增强对分类任务产生关键作用的特征通道,削弱用处不大的特征通道,实验结果与可视化工作表明,AEAN利用增强的特征进行训练,可以更加准确的对齐两域分布,从而产生域不变的特征,并取得较好的分类效果。2)本文提出了一种基于域间混淆的对抗迁移学习算法DBAN,该算法在特征级别制定了源域与目标域的混淆策略,并赋予域标签,并将这些混淆数据加入训练,进行辅助域适应,这些特征存在与源域与目标域之间的空间,并相当于在训练中利用了目标域的知识,这在两域之间差距较大时会有很好的效果,等同于在源域与目标域之间的某个空间进行搜索优化,帮助算法平稳过渡,更好的拉近与对齐源域与目标域之间的分布,在迁移学习标准数据集上取得了很好的分类效果。3)本文提出了一种基于聚类结构细粒度对齐的对抗迁移算法CBAN,由于两域之间存在的差异性,导致相同类别数据在源域与目标域的数据表现并不一致,普通对抗域适应算法有时并不能对齐不同域之间的相同类别,这样提取出的特征会加大分类器训练难度。CBAN采用聚类的思想,引入域间类别对齐损失与域内聚类损失,将两域中相同类别的数据结构进行精细的细粒度对齐,而不同类别间的数据被分隔,从实验结果与可视化工作中可以发现,CBAN可以更好的对齐两域之间的数据分布,在digit数据集上获得了极其优异的性能表现。