近年来,机器学习领域的研究者提出了迁移学习的概念,目的在于放宽模型泛化问题中的同分布假设要求。基于对抗的迁移学习的框架基于零和博弈的思想,通过对源域和目标域的特征表示训练模型,使得该模型无法区分特征来自于源域或目标域,实现跨领域迁移的任务。同时,已有学者证明源域与目标域的私有特征也能够提升对抗迁移学习的效果,如何全面的利用域差异化特征也是未来的主要研究方向之一。本文对结合域差异化特征的对抗迁移学习进行深入研究,提出一种基于胶囊网络的对抗迁移学习算法Att-Caps-DSN,模型在相似性计算的基础上考虑了源域与目标域的独有特征对迁移学习的影响,丰富了迁移学习的理论方法。首先,改进目前对抗迁移学习普遍采用卷积神经网络作为特征提取的方法,通过理论分析以及实验,验证了引入融合注意力机制的胶囊网络可以在迁移学习过程中提取更多特征信息,拓宽了迁移学习的特征提取思路。其次,优化领域分离网络的解码器部分,引入了动态对抗因子,优化解码器的函数损失函数计算,加快模型收敛速度。最后,在领域判别器中融入多头自注意力机制,提高迁移学习对目标域的判别效果。实验一测试优化前后的迁移效果表明,本文模型在目标域谭松波数据集上取得对比模型中的最好表现（P:0.8577,R:0.8429,F1:0.8502）,证明本模型优化有效,具有较好的迁移学习能力。实验二对比深度学习与迁移学习在测试样本为800的小样本实验中,对目标域预测效果,结果表明Att-Caps-DSN模型优势明显（P:0.8375,R:0.8441,F1:0.8408）,并且具有较快的收敛速度。在实际应用场景中,使用Att-Caps-DSN模型完成线上交易的信任识别。源域数据为“什么值得买”测评网站数码产品专业测评数据,通过爬虫获得;目标域数据选用京东数码产品评论。已有研究在信任感知问题存在缺失,线上商城的评价数据中多为情感表达语句,具有明确表达信任的语句较少,即使完成大量数据的标注,在一般深度学习模型训练中,结果与情感分析相似,无法较好识别信任。而专业测评数据集中评论逻辑清晰,具有大量线上购物评论缺失的信任语句,以此作为源域,进行迁移学习,可以很好的解决信任感知问题。最终实验一表明:Att-Caps-DSN模型的分类器可以根据源域已有的知识结合已标注的目标域数据,完成迁移学习任务,相较于其他模型在信任感知问题中达到较好的效果。实验二对比信任识别与情感分析可以得出,信任识别并不等同于情感分析。虽然情感分析实验可以取得较好的效果与准确率,但是无法满足实际条件下的需求。而与现有的情感分析仅分析主体的情绪不同,信任感知发掘文本表面情绪下主体的深层动机,并且具有较细的粒度。使用迁移学习以较高的准确率完成信任感知,具有重要的商业价值。本文工作从模型出发,研究了基于胶囊网络的迁移学习并取得一些成果,但就自然语言处理领域以及迁移学习本身在未来还有许多值得研究的问题:模型本身的后续优化并提升训练速度和模型效果;多意图识别问题的研究,进一步提升模型泛用性;迁移学习在未知意图识别领域的发展同样值得关注。