大数据时代,由于数据量的飞速增长和算力的不断提升,深度学习方法的性能得到了巨大提升。但深度学习模型依赖大量的数据标注,往往需要人工参与,耗时耗力。为此,迁移学习（Transfer Learning,TL）应运而生。迁移学习旨在借助标注丰富的源域知识帮助标注稀缺的目标域学习,无监督领域自适应（Unsupervised Domain Adaptation,UDA）是迁移学习中的重要研究方向。在UDA中,域间的特征分布不同,因此常使用基于差异或者对抗的方式减少域间分布距离,学习域不变特征。然而,域间的类别分布也可能存在差异,可表现为:1)源域和目标域可能同时存在类别不平衡的问题,且域间不平衡比例不同甚至完全相反,此时,直接进行域间分布对齐可能导致目标域中的多数类样本被错误分类,引发负迁移现象。2)源域的标签集合可能是目标域标签集合的子集,即目标域中存在源域中未出现的未知类别,需对目标域中的已知类正确分类并识别出未知类样本。通过阈值判别是常用的未知类识别方法,但是由于缺乏目标域标签,难以描述样本的置信度并找出合适的阈值,从而无法有效学习到已知类和未知类间的决策边界。针对第一点问题,本文提出了基于双重不平衡场景的无监督域适应方法TITo K（Transferring Imbalance-Tolerant Knowledge）,迁移能容忍类别分布不平衡的源域知识,即利用类对比损失跨域迁移类对比知识以减轻类别分布不平衡对模型的影响,同时在域间迁移类关联知识,将源域中的类别关系迁移至目标域中,最后,使用判别型的最大均值差异距离,以获得更鲁棒的分类器边界。在多个真实数据集上的实验表明,TITo K可有效提升类别分布不平衡UDA的学习性能。针对第二点问题,本文提出了基于类间对比和聚类矫正的开放集领域自适应方法CRMUD（Compare and Rectify Model for Unknown Detection）,训练多分类器和开放集分类器,通过类间对比方式判别样本是否属于某已知类,同时通过自监督聚类方式矫正伪标签,实现对目标域中已知类的正确分类和未知类的有效判别。在真实的图像数据集上进行对比实验,并基于合理的评估指标验证了所提出方法的有效性。