目前深度学习在各个领域取得巨大的成功,例如图像识别、目标检测和自然语言处理等任务,但是这些任务取得成功的前提是拥有大量的数据标签,然而在实际应用中,有些任务较难获取符合要求的数据标签,比如医疗图像,遥感图像等问题。所以,通常会去寻找易获得的相似领域的数据集(源域)标注后训练,再应用在原问题(目标域上)。但是这种方式行之有效的前提是源域和目标域符合同一分布,当源域和目标域存在差异时往往无法取得预估的效果。因此,如何解决目标域和源域之间的域偏差(领域自适应),已经成为机器学习的一个重要研究目标。本文的主要工作包括以下几点:1)针对传统方法DANN的训练目标仅能保证整体上让源域和目标域的特征大体重叠,而忽视了不同数据不同类别间的差距的问题,本文提出了基于标签传播的无监督领域自适应方法,标签传播的目的是让源域和目标域互相推测对方标签,然后构造循环一致性损失让目标域和源域数据特征尽可能聚集在相同的类别标签。2)现存方法好坏的评价指标都仅仅是某一个源域到另一个指定目标域的迁移效果,经过域适应后在目标域上有较好表现的网络未必在源域上仍保持原有效果,但现实情况中有可能无法判断输入是来自源域还是目标域,针对这一情况原有的领域自适应算法可能缺乏源域和目标域之间的平衡。为此,本文提出了基于残差校正模块的域适应方法,该方法考虑了算法在源域和目标域上的平衡,同时分析并解决了最大均值差异用于样本条件概率分布的问题。3)针对目标域有少量标签的场景,提出了一种基于主动学习的半监督领域自适应方法,该方法与无监督领域自适应方法的主要差别在于利用少量的目标域标签信息辅助源域上学习得到的分类器更好地迁移到目标域。