数据如何流通、共享,发挥其要素价值被更多地方利用到社会生产生活中是数字经济时代一个重要的问题。在数据的隐私性越来越受关注的时代,如何让互联网上大量的数据资源在不泄露隐私的条件下被用于深度学习模型训练能够有力推动数据的价值被充分挖掘。领域自适应研究如何解决在源域上训练的机器学习模型在遇到分布偏移的目标域时怎样提升模型在目标域数据上的性能的问题,近些年已经取得了很大进展。但是现有的领域自适应方法要求源域数据和目标域数据共同存储在同一个地方并同时进行训练,这在实际应用中很可能无法满足。因为数据隐私性的限制,源域数据和目标域数据经常必须严格分离开并且互不可见。本文采用差分隐私框架对领域自适应的训练做出分析,并采用密度估计和分布近似等方法提出了一个框架让领域自适应算法能够在训练过程中保证数据隐私性。本文主要做了如下两个工作:（1）为了解决源域数据的隐私性问题,本文采用对源域特征进行分布近似的方法,提出了一个能够严格保证源域数据隐私性的领域自适应框架,这个框架的流程中支持模型训练在源域和目标域数据完全分离的条件下完成,并且对两方没有任何协同要求。本文提出的方法与现有的领域自适应研究相互垂直,所有的领域自适应方法都可以用我们的框架来保证训练过程中源域数据的隐私性,此外本文也自己设计了一种领域自适应算法让目标域模型训练过程中不用使用到除源域模型以外的任何源域相关信息。本文提出的框架在四个不同的数据集上做了实验验证,结果显示本文所提出的方法可以在保护源域数据隐私的前提下在领域自适应任务上得到与现有方法接近的精度,只是隐私保证会带来一定程度的下降,当数据量和计算充足时隐私保证带来的精度损失可以忽略不计。（2）为了解决目标域数据的隐私性问题,本文采用对目标域特征进行分布建模的方法提出了一个能够严格保证目标域数据隐私性的领域自适应框架,在训练过程中,源域数据方、目标域数据方和模型计算方三者可以完全分离,计算方可以在完全不直接接触目标域数据的条件下完成模型的训练,这一过程严格保证数据隐私性。这可以作为互联网上包含隐私信息的数据如何被有效利用来训练模型这一问题的一种解决方式。本文在三个不同的数据集上进行了实验以验证所提出方法的有效性,结果表明在计算量或数据量充足的情况下,本文所提出的方法可以在保证数据隐私的条件下在领域自适应任务上得到与现有领域自适应方法接近的结果。