无监督领域自适应是弱监督学习中一个基于迁移学习思想的重要研究问题。深度神经网络的训练十分依赖于数据驱动,然而,对于许多预测任务,特别是稠密估计任务,其标记过程通常是昂贵或劳动密集型的,收集大规模和多样的数据集十分困难;其次由于图像在不同模态间存在域漂移,在一个域上训练模型并在另一个域上测试该模型时,深度模型的性能会显著下降。这限制了模型在大规模有标记数据集上训练,然后将模型迁移到来自不同领域的新数据集上,但这在现实应用中是经常需要的。为了克服这些问题,无监督域自适应提供了一种有效的解决方案,以减轻有标记的源数据和无标记的目标数据之间的域漂移。可以将无监督域自适应方法大致分为两大类:非对抗学习的方法和基于对抗学习的方法。传统的非对抗学习的方法通常使用一种度量作为目标,直接度量并尽量减少源域和目标域之间的高维特征的差异,这种方法在简单的数据分布中是有效的,但在复杂的数据分布中往往效果不佳。尽管生成对抗学习方法相对于非对抗学习方法已经取得了一定的性能提升,但是以往的生成对抗学习方法往往直接对源域和目标域进行域对齐,忽略了源域和目标域之间的中间潜在分布;并且这类方法通常作用于全局特征,这使得深度模型的学习过程存在冗余。针对这些问题,本文利用生成对抗学习方法提出一种基于双向对齐的无监督领域自适应方法和一种基于注意力机制的无监督领域自适应方法。同时在不同的跨模态图像数据集和不同的应用任务上,验证所提出方法的有效性和泛化性能。本文的主要贡献总结如下:1.本文提出一种新的基于双向对齐的无监督领域自适应方法。通过图像翻译器双向生成源域和目标域的中间潜在模态,利用生成的中间模态作为源域和目标域之间的桥梁。并提出域间一致性和域内一致性学习策略分别对源域与源域生成的中间模态,源域生成的中间模态与目标域进行对齐,反之亦然。该方法主要利用生成对抗学习方法进行双向的无监督领域自适应,从整体风格和样式角度消除域差异,使得领域分布一致。2.本文进一步提出一种新的基于注意力机制的无监督领域自适应方法。通过对偶注意力机制生成自注意力图,并利用生成对抗学习实现基于注意机制的一致性学习,使模型具备全局一致性的同时也具备局部一致性,尤其更加注重局部的有效性特征迁移。通过迁移大部分具有识别性的局部特征来实现更有效的域适应,使得通过该方法得到的模型即使在小目标或细粒度化的任务中也可以获得很好的性能。3.本文将所提出的基于双向对齐的无监督领域自适应方法应用于跨模态（照片—漫画）人脸属性分类任务。针对该任务,本文还构建了一个包含50个人脸固有属性的漫画属性数据集Web Cari A,以便于漫画属性学习的研究。本文将所提出的基于注意力机制的无监督领域自适应方法应用于跨模态（T1—T2）脑肿瘤磁共振成像分割任务。针对该任务,本文还设计了一个对偶注意力深度编码器-解码器模型。本文在Web Cari A数据集和bra TS多模态脑肿瘤数据集上进行了丰富的实验证明了所提出方法的有效性,其性能优于目前最先进的方法,证明所提出的方法对于不同任务在不同数据集上均具有很好的泛化性能。