近年来,深度学习在计算机视觉与图像处理领域取得了巨大的进展。在深度学习的应用场景中,会存在缺乏标记信息的情况,在这种无法直接利用有标记数据进行训练的任务中,可以利用其他相关域的标记数据训练的模型来完成目标应用场景的任务。然而,两个域的数据分布之间可能存在偏差,导致源域训练模型在目标域使用时性能下降。域适应是用来解决这种任务相同但域间分布不同导致的模型能力退化问题的有效方法。本文对域适应算法进行研究,对各类算法进行概述总结,同时从目标分类与目标检测两个方向探究无监督域适应算法,并进行改进创新与应用。本文的主要创新工作如下:(1)对深度域适应算法DAN进行改进,结合域混淆思想,提出一种结合域混淆与MK-MMD的深度域适应网络,提升了域适应效果。同时,针对DAN算法中的MK-MMD对不同迁移场景的作用差异,探究不同场景下该度量的适用权重,并通过标准数据集的实验与理论分析得出MK-MMD与域混淆的合理组合。同时,将该改进的结合域混淆与MK-MMD的深度域适应网络应用于无监督域适应车型分类任务中,通过对比实验验证模型的有效性。(2)提出一种改进的域适应多场景目标检测模型。对目标检测模型Faster R-CNN进行改进,结合域适应思想,提升不同场景下目标检测模型的适应能力。同时,使用双层ROI Pooling对域适应目标检测模型进行进一步改进,提升了模型的域适应效果。同时,将该改进的域适应多场景目标检测模型应用于无监督域适应多场景车辆检测任务中,通过对比实验验证了本文模型的作用与优势。