随着卷积神经网络的发展,基于深度学习的检测算法已经取得了很好的检测效果。然而,这些检测算法都要求训练集与测试集必须拥有相同的数据分布。一旦环境发生改变,就会使得检测模型性能严重降低。这需要重新收集新环境下同分布的数据,并且需要制作相应的训练标签。在许多的实际应用场景中,重新收集数据、制作标签是非常费时费力的。于是,研究在检测中如何对两个不同域进行知识迁移引起了广泛的关注。跨域目标检测就是解决这一问题的任务,其旨在利用源域知识使检测模型能够很好地泛化到无标签的目标域上。本文着手于这一任务展开研究,针对当前所面临的挑战和实际应用中的问题提出了两个基于迁移学习的跨域目标检测算法,有效地提升了跨域检测性能。主要工作和贡献如下:（1）提出了一种基于隐式域不变特征挖掘的跨域目标检测算法。现有的跨域目标检测算法主要采取迁移学习中的对抗思想来对齐两域分布并提取图像中的显式域不变特征,从而缓解域差异。然而,这些算法都存在一个严重的问题,它们都忽略了隐含在域私有特征下的有用知识,即隐式域不变特征。显然,忽略这些知识会导致检测器的性能降低。因此,本文提出了一个跨域检测算法IDF（Implicit Domaininvariant Faster R-CNN）来充分挖掘隐式域不变特征。其主要由一个双分支结构构成:主支路负责学习显式域不变特征并完成分类和定位;次支路通过非对抗的域判别器和基于跨域生成的伪标签学习域私有特征下的有用信息,并通过双注意力机制引导的特征感知把有用信息传递给主支路。此外,双注意力机制模块还可以互补式地加强双分支的特征学习。大量实验表明,本算法在不同的域适应场景中都取得了好的效果。（2）提出了一种复杂场景下通用的跨域检测算法。当前的跨域目标检测算法都依赖于一个过于理想的先验假设——源域和目标域具有相同的标签空间。由于真实场景下检测类别的多样性,这种先验假设极大地限制了检测器在实际场景中的应用。因此,本文在目标检测领域提出了一个更加符合实际应用场景的任务设置——通用域适应目标检测（Universal Domain Adaptive Object Detection,UDAOD）。在UDAOD中,检测类别被分为了域公共类和域私有类,如何解决域私有类在对齐过程中带来的负迁移问题是一个重要的挑战。为了解决这个问题,本文设计了一个通用的跨域检测算法,其主要由一个动态的类别感知定量衡量器和一个权重手术均衡化构成。前者可以根据存储的每个类别的中心特征进行无偏加权,从而抑制掉域私有类的负迁移影响;后者进行权重极化,使得权重约束更加有效。大量实验表明,本算法可以有效地应对跨域目标检测在更复杂的应用场景中所面临的挑战。