随着互联网时代的来临,各种机器学习方法在大数据分析、计算机视觉等领域实践中取得了长足发展。传统的机器学习方法多是假设训练数据与测试数据独立同分布,然而,由于实际应用数据的复杂性,上述假设往往难以成立。因此,分析待测数据的隐藏信息并挖掘相关的已知数据信息成为现代机器学习的研究热点。迁移学习放宽了训练数据与测试数据独立同分布这一约束,旨在利用与目标域数据不同但相关的源域数据辅助完成目标域任务,实现已有知识在领域间的迁移及复用。本文主要针对迁移学习中的域适应问题,从不同方面系统性的进行研究。首先,针对存在单一源域情况,研究如何有效的提取样本特征并选择最佳特征分布对齐方法提升迁移效果。提出一种基于联合度量的对抗域适应模型。利用空洞卷积层设计补充网络联合Res Net50共同提取样本特征,扩大Res Net50的感受野范围,有效的提取样本细节特征与全局特征。同时,考虑样本边缘分布及条件分布,分别设计联合优化方法,有效的对齐不同域间的样本特征分布。实验表明,该模型能够利用单一源域数据辅助无标记的目标域数据良好的完成分类工作。其次,针对现实中存在多个源域情况,研究如何利用多个存在差异的源域更好的解决目标域任务。提出一种基于主特征选择的多源对抗域适应迁移学习模型。模型将特征提取网络分两步骤训练。首先,基于所有源域数据训练域共享特征提取网络,通过设置该网络与特征鉴别器对抗提取有利于样本分类的主特征。然后,基于各个源域与目标域一起训练域共享及域特定特征提取网络。为每个源域搭建分类器,通过设置特征提取网络与各个源域分类器对抗进一步提取样本主特征。同时,考虑到整体域差异的存在,基于每个源域搭建域鉴别器与特征提取网络对抗学习域不变特征。实验表明,该模型能融合多个源域的优势,有效降低杂乱背景对目标域分类的影响。最后,针对源域标签集是目标域标签集的子集,研究如何避免负迁移以更好的完成迁移学习。提出一种基于联合样本分离的开放集对抗域适应模型。将整体模型分三步骤训练。首先,基于源域数据,设定与当前类别平均距离最近的类别样本为负样本,联合当前类别样本训练多二元分类器,增强该分类器的泛化性。然后,提出联合样本分离方法,利用不同的样本选择方法挑选样本对,训练不同的目标域样本类别鉴别器,得到目标域样本属于“未知类”的权重。最终利用所得权重训练域判别器及目标域分类器,对齐域间共有类别样本特征,并将目标域样本准确分类。实验表明,该模型能有效的将域间共有类别样本对齐,降低目标域私有类别带来的负迁移影响。