在现代深度学习中,模型的训练往往需要大量标记数据。但是在各种应用场景中数据十分稀缺,标注过程更是有相当大的成本。使用少量标记数据或者一定的无标数据,高效地训练模型成为了至关重要的挑战。领域适应可以在相关的领域之间迁移知识,有效地缓解了上述问题。在走向实际应用的过程中,还有两个关键挑战是经典的封闭集领域适应无法解决的:一是自然环境的开放性,各领域中标签的关系是任意的,源领域无法覆盖目标领域的全部类别,尤其是在自动驾驶等开放场景中。通用领域适应在领域之间传递知识,满足标签集没有任何限制的条件。二是缺乏更高效、可靠地使用无标数据集的方法。主动领域适应允许标注一小部分信息量大的目标域数据参与训练,使用较少的代价弥补和对应的监督学习之间的性能差距。深度模型可以为每个预测提供一个概率,代表样本的不确定度。在通用领域适应中,开放类是指源领域中不存在的类别,划分开放类和公共类的核心是良好地估计样本不同程度的不确定度。在主动领域适应中,度量样本信息量的一个关键方法也是样本的不确定度,信息量大的样本可以使模型中的决策函数更快收敛。然而深度模型倾向于产生过度确信的预测,并且在跨领域的场景下,不确定度的估计更加困难。跨领域场景下的不确定度作为后续任务的主要度量指标,有着更为重要的意义。不确定度校正是得到更准确的不确定度的一类关键方法。1.在通用领域适应问题中,本文提出了多重不确定度校正方法,核心是一种包含熵、置信度和一致性的新颖可迁移性度量。这三个不确定度准则是互补的,并且通过深度集成的方法进行了很好的不确定度校正,能够有效区分不同程度的不确定度,进而将目标领域中公共类和开放类的样本更清晰地划分。2.在主动领域适应问题中,本文提出了可迁移查询选择方法,通过可迁移委员会、可迁移置信度和可迁移领域度三个准则的集成来选择领域差异下信息量最大的样本。我们进一步提出了一种随机选择算法,以增强所选样本多样性。3.实验表明,在多个领域适应数据集上,多重不确定度校正方法明显优于之前的无监督和通用领域适应方法,可迁移查询选择方法超过了之前的主动学习和主动领域适应方法。多个分析性实验也展示了方法中各个准则的精妙性。上述算法的实现也集成到了开源的迁移学习算法库中。