无监督领域自适应旨在将模型从海量已标注源域数据集学习到的知识迁移到未标注的目标域。现有的领域自适应工作主要集中在迫使源域和目标域之间的全局数据统计分布一致。但是,他们在估计一个域的数据统计分布时却忽略了意外噪声样本的干扰,可能导致域对齐出现偏差甚至负迁移。针对闭合集领域自适应图像分类任务(目标域类别等于源域类别),本文发现意外噪声样本主要是语义歧义和背景杂乱样本。在本文中,提出了一种基于异常样本筛选的无监督领域自适应图像分类方法,根据每个样本的重要程度来衡量样本对领域自适应对齐的贡献。本文发现,可以使用网络的特征范数和预测熵来有效对主流样本和异常样本建模。特征的重要度被用来引导特征空间和预测空间中样本训练梯度的调控。通过这种方式,本文提出的模型减轻了异常噪声样本对域的数据统计分布估计的影响,同时在领域对齐期间相应增强了重要样本。此外,本文的模型简单有效,不会引入额外的参数。在几个基准数据集上的广泛的实验证明,本文方法在闭合集和偏集领域自适应上均优于最新方法。针对开放集领域自适应图像分类任务(目标域类别包含源域类别),本文发现意外噪声样本主要是未知类别样本。在本文中,提出了一种基于未知样本筛选的无监督开放集领域自适应图像分类方法,根据每个目标域样本与源域样本的相似度来动态划分目标域已知类别和未知类别样本之间的决策边界。对抗学习对两个域的相似度具有更精确的度量,根据离鞍点的距离可以有效对目标域已知类别和未知类别样本建模。通过这种方式,本文提出的模型可以动态预测已知类别和未知类别间的决策边界,并只对两个域共享已知类别样本做域对齐,在几个基准数据集上均能达到优异的性能。