近年来,随着计算机算力的提高和数据的积累,依靠大量标记样本的深度学习算法在计算机视觉、自然语言理解、语音识别等领域取得了巨大成功,其性能远超传统的手工设计特征和浅层机器学习算法。然而,深度学习的成功依赖于海量标记数据,而数据的标记具有时效性低和成本高昂等缺点,因此当新任务来临时无法迅速部署深度学习模型。针对该问题,研究者提出基于迁移学习的训练策略。领域自适应是迁移学习的研究分支之一,目的是解决训练集(源域)和测试集(目标域)特征分布不同但任务相同时的迁移问题。最新研究表明,生成对抗网络(Generative Adversarial Networks,GAN)可以对齐源域、目标域的特征,实现知识的迁移。然而,在对抗式训练中,大多数方法对样本类别信息考虑不足,使得生成的特征损失了部分类别信息,因而导致分类准确性的下降。为了解决这一问题,本研究提出了增强特征特有分类信息的对抗域适应(Improving Feature’s Capability of Carrying Category-specific Information for Adversarial Domain Adaptation,IFCADA)算法,该算法由预训练特征分类器和两组GAN构成的特征对齐框架组成。首先,在预训练阶段使用源域标记数据,训练编码器-解码器-分类器结构,尽可能完整提取源域数据的分类信息和数据自身携带的像素级信息,提高特征的区分度和表示能力。其次,在特征对齐阶段,训练第一组GAN生成向源域特征对齐的特征,再通过第二组GAN补充生成的目标域特征所损失的源域数据的分类信息和像素级信息。最后,使用源域的分类器对目标域适应后的特征进行分类。该方法缓解了在特征对齐阶段丢失数据特有分类信息的问题,因而能够提高分类准确率。该方法在标准数据集数字(Digits)和Office-31上进行了充分的实验验证,分别达到96.5%和95.1%的平均准确度,实验结果优于目前主流的领域自适应算法。