深度学习在目标检测领域的应用日益广泛,大多数深度神经网络模型都是以监督学习的方式进行训练,而监督学习依赖于大量标注数据。当场景发生变化时,深度神经网络模型的泛化性能较差。为了避免花费大量代价重新标注数据、训练模型,基于深度学习的域适应弱监督目标检测算法很有研究意义。基于伪标签的自训练方法是域适应的主流算法。为了提高算法的性能,本文提出了一系列解决方案,并通过实验验证了其有效性,本文的主要工作与贡献如下:1.提出了一个伪标签生成-评价框架,该框架设计到两个参与者:一个是生成实例级伪标签的检测器和一个对伪标签进行质量评估的评估器。该方法在Clipart1k,Watercolor2k和Comic2k数据集上获得了性能的提升。2.提出了基于教师-学生模型的伪标签质量提升算法,利用大型教师网络学习广义知识,再利用教师网络生成伪标签,用这些高质量的伪标签来训练小型学生网络,既可以学习到大模型的知识,也可以降低部署模型所需的资源。进一步,本文将其和第三章的伪标签生成-评价框架结合。学生网络在Clipart1k,Watercolor2k和Comic2k数据集上的性能得到提高。3.提出了基于教师-学生模型的分类分支蒸馏算法。本文发现目前的域适应目标检测器的分类分支的性能还有较大的提升空间,通过在源域上训练一个更加强劲的分类器网络,利用分类器网络的输出对目标检测器的分类分支进行蒸馏,提高目标检测器的分类性能,再将目标检测器迁移到目标域上,得到更好的效果。