基于有监督的深度学习算法已在众多应用领域取得显著的成就,然而在基于有监督的深度学习算法中,模型的训练满足两个约束条件:一是需要有大量的标注样本防止所提模型产生过拟合的问题,二是训练样本与测试样本必须满足独立同分布的约束,上述约束条件限制了基于有监督的深度学习算法的应用与扩展。针对上述问题,领域适应应运而生,其利用已有领域的标记样本训练出的模型适配于其它分布不同的领域。由于早期的浅层领域适应算法存在提取的可转移特征少、泛化能力差等问题,近年来,随着深度学习的快速发展,基于深度学习的领域适应算法得到广泛关注。本文基于深度学习算法,针对图像领域适应研究以下内容:（1）当前基于对抗学习的领域适应（DA）对目标样本的适应性较差,导致目标域样本的预测精确度较低。为此,提出基于可调节判别器的领域适应（A-DADA）算法。首先,利用两个判别器分类概率的距离作为权重应用到目标域对抗训练损失函数中,旨在减少已对齐目标样本对抗训练的次数,增加未对齐目标样本的对抗训练次数;其次,将平方熵损失函数作为最小熵损失函数,提高类平衡性;最后,将目标样本依次通过训练好的特征提取网络与类预测网络验证所提算法的有效性。（2）针对现有基于对抗学习的领域适应算法未能充分挖掘样本的可转移、抽象的特征,提出基于特征和类别对齐的领域适应（FCDA）算法。首先,基于最大均值差异（MMD）,改进得到MID（Maximizes the Intra-domain Density）度量函数,分别度量具有相同标签的源域样本特征间的分布散度和相同标签的目标域样本特征间的分布散度,减小域内同类样本的特征分布散度,从而降低类别的错分率;其次,为了学习目标样本深层次的、抽象的特征,在特征提取网络后加入残差校正块深化基础网络,获得更多的目标样本的深层特征从而减小域间差异;最后,将获取的特征经过联合判别网络,通过对抗学习同时实现类级和域级的对齐。（3）针对现有算法只对目标域样本的每个独立的类预测概率进行熵最小化,未考虑特征之间的相互依赖性,提出基于熵最小化多层信息对齐的领域适应（EMI-DA）算法。首先,在MID度量函数的基础上提出FC-MID（Maximize Intra-domain Density based on Feature-level and Class-level）度量函数,分别度量具有相同标签的源域样本的特征和类别间的分布散度、相同标签的目标域样本的特征及类别间的分布散度,实现最大化域内同类样本的类密度,间接地减小域间差异;其次,为了考虑特征之间的相互依赖性,设计基于熵最小化的判别器,将类别预测概率的熵值作为输入,在进行对抗训练的同时间接最小化熵值从而对齐源域和目标域分布;最后,通过训练好的网络框架验证所提算法的有效性。本文使用3个深度领域适应的标准数据集上的24个迁移任务进行实验,并与目前几种先进的深度领域适应算法进行对比,结果表明所提算法不仅在客观测试评价方面测得较高的平均精确度,而且在主观视觉评价方面获得较好的特征可视化效果,证明本文算法在特征对齐效果和目标域特征可判别性上均有提高。