大数据时代,充足的训练数据给机器学习带来了巨大的性能提升。大量的数据也意味着需要大量的人工标注,然而人工标注往往耗时耗力,这催生了迁移学习（Transfer learning,简称TL）的发展。迁移学习旨在借助相关源域的知识辅助目标域学习,以解决目标域数据或标记稀缺的问题。域适应（Domain Adaptation,简称DA）学习是迁移学习中的重要研究方向。域适应方法通常利用基于距离或者对抗的方式,减少域间分布距离以生成域不变特征。对于域间标签集合不完全一致的学习场景,已有工作通常使用阈值法识别共享类,实现域间共享类的分布对齐。虽然域适应已广泛应用于众多真实学习场景,但依然存在不足和亟需改进之处:1)已有域适应学习方法通常仅关注域间的分布差异最小化,并未充分考虑和利用目标域的结构信息。2)已有方法仅适用于域间标签集合存在交集的情形,对于标签集合无交集的极端情形并不适用。针对上述两点,本文提出了以下解决方式:针对第一点问题,本文提出了基于目标域结构信息的对抗域适应。首先,采用自监督方式学习源域和目标域的初始特征,接着基于最大分类器差异方法（Maximum Classifier Discrepancy,简称MCD）,引入目标域的结构信息,以进一步提升目标域的学习性能。实验表明,相较于其它闭集域适应方法,引入目标域结构信息可同时提升目标域学习性能和学习收敛速度。针对第二点问题,本文提出了基于自监督知识的无监督新集域适应（Unsupervised New-Set DA,简称UNSDA）学习,采用自监督进行预训练,同时使用类对比损失将源域的类对比知识迁移至目标域,协助目标域获得具有鉴别能力的特征。再在目标域样本上使用基于自监督的分类损失,实现域间标签集合不相交情形下的目标域分类。实验表明,此方法相较于无监督域适应、聚类、发现新类等方法获得了显著的性能提升。此外,此方法同样适用于域间标签集合存在交集的学习场景。