领域自适应是迁移学习的一个重要分支,其目标是将从有标签源域数据中学习到的知识迁移到分布不同且缺少标签的目标域中,来帮助目标域完成学习任务。目前,大多数方法只是针对单个源域,并且假设源域和目标域的特征空间同构,需要在特定场景下才能来确保其有效性。然而,实际应用中,可用的源域可能不止一个,而且不同领域的特征空间也可能异构。因而,跨多个异构的领域迁移知识值得深入研究。本文旨在研究面向多源异构数据的领域自适应方法。为此,本文以循序渐进的方式,首先研究最基本的单源同构领域自适应方法,然后以此为基础进一步考虑异构的问题,最后再考虑多个源域的问题。目前,现有的研究工作仍然存在一些不足:（1）现有的单源同构领域自适应方法仅对齐源域和目标域的边缘分布,而忽视了条件分布的对齐;（2）现有的单源异构领域自适应方法仅将异构的源域和目标域样本映射到领域不变的公共特征空间,而忽视了每个领域的特有信息;（3）现有的多源异构领域自适应方法同等地对待每个源域,并不区分不同源域的重要性。针对上述问题,本文对领域自适应方法进行了逐步深入的研究,具体工作如下:（1）针对现有单源同构方法未考虑同时对齐两个领域的边缘分布和条件分布的问题,本文在现有基于对抗的方法的基础上,提出一种基于联合分布对齐的单源同构领域自适应方法。该方法主要对判别器进行了改进,使其能够分辨特征提取器提取的特征所属的领域和类别,并将其与特征提取器对抗训练来联合对齐边缘分布和条件分布,从而提高领域自适应的效果。实验结果表明该方法在单源同构领域自适应任务中的有效性。（2）针对现有单源异构方法未考虑提取每个领域特有信息的问题,本文在工作一的基础上,提出一种基于领域特有信息提取的单源异构领域自适应方法。该方法主要为源域和目标域都引入了一个各自的自编码器,用于提取领域特有特征,来帮助提高最终模型的性能。实验结果表明该方法在单源异构领域自适应任务中的有效性。（3）针对现有多源异构方法未考虑区分不同源域的重要性的问题,本文在以上两个工作的基础上,提出一种基于自适应域加权策略的多源异构领域自适应方法。该方法主要设计了一种自适应域加权策略,它根据不同源域与目标域之间的分布差异为每个源域赋予合适的权重,来将不同源域中可迁移的知识更有效地迁移到目标域中。实验结果表明该方法在多源异构领域自适应任务中的有效性。