迁移学习自机器学习研究之始就备受关注,其旨在令算法获得如图人类举一反三一般的强泛化能力。领域适应是迁移学习的其中一个分支。给定两个相似性较强但样本分布不同的领域,经典领域适应问题要求通过源领域的有类标样本训练一个分类器,在缺少类标或者只有少数类标的目标领域中得到有效的分类效果。得益于神经网络强大的特征学习性能,许多学者基于深度卷积网络对领域适应问题进行了探究,并提出了一系列算法。然而,这些算法主要着眼于设计不同的分布度量及相应的损失函数,以卷积层和全连接层为基础的深度卷积网络不关注样本之间的相关信息。使用领域分布损失进行特征变换时,容易将原本相关的目标领域样本变换到不同类别当中去,导致目标领域的分类性能有所下降。近年来,研究者们成功将图卷积模型优化为一种和神经网络相似的,通过反向传播进行学习的网络层,并将其应用到半监督分类、单次学习等迁移学习问题中。图卷积网络通过样本间的相关性图,融合近邻样本之间的相关信息,在领域适应任务中的效果值得期待。本文首先研究了基于图卷积网络的领域适应模型算法,该算法利用预先提取的特征构造一个基于所有样本的全局相关性图,并利用带有最大均值差异损失的图卷积神经网络进行两个领域中样本特征的分布逼近。通过这种方法,模型有效保留了样本间的结构信息。提出的算法在一些经典的领域适应数据集中获得了良好的分类效果,证明了关注样本间的相关性在领域适应问题中的必要性。在此基础之上,我们注意到图卷积网络所使用的全局相关性图需要所有样本的特征以进行提前构造。这既导致了图卷积层不能直接融合深度卷积网络进行端到端学习,也导致图卷积的性能十分依赖于预提取的特征好坏。本文提出了一种随训练更新相关性图的技巧和一种基于类标和伪类标的样本采样方案,通过两种方案的结合使用,整个网络得以进行小批量样本的学习,进一步提升了图卷积网络在领域适应问题上的泛用性。