随着大数据时代和互联网技术的快速发展,产生了各种不同形式的数据,而这些不同形式的数据对提高深度学习模型的泛化性能起着重要的作用,但在实际应用中,大部分的数据都是依赖人工标注,成本较高,严重限制了深度学习的推广和应用。领域自适应不仅可以打破训练数据集合测试集数据的独立同分布的假设,而且可以利用有标签的迁移源数据和没有标签的迁移目标数据训练得到具有良好泛化能力的模型,是扩展深度学习应用场景的重要研究方向。而多源领域自适应方法可以被利用到多个迁移源的信息的场景中,具有重要的研究和实际价值。目前,将单迁移源的领域自适应方法扩展到多迁移源场景是多源领域自适应的重要研究方向之一,但这种方法会产生负迁移,即在源领域上学习到的知识,对于目标域上的学习产生负面作用。而目前缓解负迁移的主流方法:1)增加迁移源数量,但原有标签的数据难以获取,或人工标注成本过高,所以这种方法难以实现。2)减少不同领域见数据分布的差异,提取领域不变的特征。所以多源领域自适应方法需要在多个源领域信息中提取领域不变信息,而选择合适的迁移源特征来提取可迁移的信息是具有挑战的。又由于数据分布的基础是复杂的流形结构,领域不变的语义信息和领域特有的信息通常是高度耦合的,如何彻底地移除语义特征中“残留”的领域信息,也是非常具有挑战的。为了解决上述的两个困难与挑战,本文具体工作如下:（1）针对在多个迁移源中选择合适源领域信息问题,本文提出的方法是一种基于多种距离度量框架的多源领域自适应方法。通过采用不同的特征距离度量方法策略（欧式距离聚合方法,分布距离度量Wasserstein距离的聚合方法）,计算不同迁移源的语义特征和迁移目标的特征计算距离,以计算出最合适的迁移源选择权重,最终提取到更好的领域不变特征。（2）针对数据分布的复杂,难以彻底移除语义特征中“残留”的领域信息的问题。本文将基于数据生成背后的因果机制,假设语义变量和领域变量之间是相互独立的,并且观测数据是由语义变量和领域变量共同生成的。在考虑到领域信息可能在不同领域之间存在较大的差异,本文假设语义隐变量在提取领域不变表示中起着重要作用。基于以上假设,本文提出一种解耦的语义表示领域自适应框架,首先通过变分自编码器重构独立的语义隐变量和领域隐变量,然后通过对偶的对抗学习对语义变量和领域隐变量进行解耦,从而提取到解耦的语义信息和领域信息。但是本文采用的自动变分编码器的模型与传统的不同,是引入了解耦模块的,而且在这模块中,两个对抗模块是分别置于语义隐变量和领域隐变量之下,其目的是将所有领域信息提取到领域隐变量中,并且将所有语义信息都推送给语义隐变量,以解决“残留”的领域信息问题。（3）为了展现本文提出的加权解耦语义表达的多源领域自适应方法的性能和效果,本文最后使用领域不变的语义表达进行图片分类。选择了众多优秀的或具代表性的14个单源领域自适应方法,3个基于分布对齐自适应方法,6个多源领域自适应方法,在三个公开的数据集中进行对比实验。为了进一步验证本文提出的方法的性能,还增设了可视化实验,分离实验以及定量分析。