为使训练模型能适用于分布不同的数据,学术界提出多种无监督深度域自适应算法。但大多数深度域自适应研究忽视了对抗鲁棒性问题,导致深度无监督域自适应模型容易遭到对抗样本的攻击,存在极大的安全隐患。因此研究深度域自适应模型的对抗鲁棒性极其重要。本文针对无监督域自适应模型的脆弱性和如何提升对抗鲁棒性进行重点研究,主要工作和贡献如下:1)为充分研究无监督域自适应模型在对抗样本上的脆弱性,提出了基于伪标签的对抗攻击方法和基于迁移学习的对抗训练方法。首先,由于无监督域自适应场景下目标域样本没有标签信息,提出了基于伪标签的对抗攻击方法,使用伪标签替代真实标签以计算目标域分类损失的梯度,并通过多次迭代在样本上叠加小步梯度值来制造攻击样本。其次,提出了基于迁移学习的对抗性训练方法,使用无监督域自适应方法对源域和目标域的对抗样本进行训练,将源域的对抗鲁棒性迁移到目标域,实现无标注目标域鲁棒性的提升。最后,在上述方法的基础上,采用多种对抗策略进行攻击和防御,分析无监督域自适应模型在对抗样本上的脆弱性。2)提出了无监督域自适应对抗性训练框架。在对抗性训练过程中,直接约束干净样本和对抗样本之间的输出一致性能够提升鲁棒性,但是会影响域自适应模型在干净样本上的训练,导致干净样本的分类准确率下降。本文从理论和算法两方面展开研究:理论分析方面,利用理想的目标域分类器重新定义泛化误差上界,能够缓解输出一致性约束误差和目标域分类误差之间的相互牵制,防止分类误差增加。算法方面,首先,提出了基于蒸馏的无监督域自适应对抗性训练框架,以实现域自适应训练和对抗性训练的分离。具体地,预训练域自适应模型,然后将预训练的模型作为教师模型进行对抗性训练,使学生模型的对抗样本和干净样本的输出具有一致性,从而在保证模型对干净样本的分类准确率的同时,可进一步提升模型的对抗鲁棒性。其次,提出了在线特征降噪对抗性训练框架,以消除预训练模型指导能力的限制。具体而言,通过域自适应训练和对抗性训练的迭代来分离两种训练过程并动态更新教师模型,保证模型在干净样本上的分类准确率。在此基础上增加特征去噪损失,使域自适应模型能够更容易实现干净样本和对抗样本的分类一致性,进一步提升模型的对抗鲁棒性。