随着机器学习、深度学习的发展,使用带标签的数据集进行监督训练可以很好地实现各种不同的任务,在多种应用场景也有不错的效果,但面对海量的缺失有效标注信息的数据,进行数据标注需要耗费大量的人力、物力和时间成本。另一方面,用训练集数据进行训练得到的模型可能出现无法适应现实场景的问题。无监督域适应算法可以在源域与目标域样本特征分布不同但相似的前提下,将源域样本分类模型迁移到目标域,使模型适应目标域数据。本文围绕无监督域适应算法展开,重点研究在目标域样本不含标签的情况下减小源域和目标域之间的距离,获得域共有特征,提高目标域样本的分类准确率。采用对抗学习的方式进行训练成为域适应算法的主流,通过域分类器将源域和目标域的特征分布对齐,减小不同域之间的特征分布差异。但是,现有的域适应方法仅将不同域数据之间的距离缩小,而没有考虑目标域数据分布与决策边界之间的关系,这会降低目标域内不同类别的特征的域内可区分性。针对现有方法的缺点,本文提出新的域适应算法,具体研究工作如下:1.提出基于分类差异与信息熵的域适应算法,采用双分类器的框架结构,利用两个分类器之间的不一致性对齐域间差异,使源域和目标域数据之间的距离减小,同时利用最小化熵的方式降低不确定性,使目标域特征远离决策边界,提高了目标域样本的类间差异,使目标域样本可以更好地分类。在数字、交通标志数据集和Office-31数据集设计并进行四种不同的域适应实验,证明所提出的基于分类差异与信息熵的域适应算法具有较高的稳定性,可以取得较高的域适应准确率,实现较好的域适应效果。2.在本文提出的基于分类差异与信息熵的域适应算法的基础上,根据集成学习理论,提出基于分类器集成的无监督域适应算法。为度量集成分类器的差异损失,本文设计并探讨了三种度量损失的指标:总和差异距离、最小差异距离和平均差异距离,通过理论分析构建特征生成器和多分类器对抗训练框架,详细描述了基于分类器集成的域适应算法的训练流程。同时,本文将多分类器集成算法应用于开集情况下,分析并设计了拒绝识别算法,提出基于分类器集成的开集域适应算法。在数字、交通标志数据集、Vis DA数据集、Office-Home数据集和Office-31数据集设计进行五种不同的域适应实验,实验结果表明,与现有其他域适应算法相比,该算法具有更好的域适应效果。