大数据背景下,机器学习研究依赖于大量拥有精确标注的高质量数据。然而,获取精确的数据标注需要耗费大量的人工成本,研究怎样在缺乏数据标注的情况下进行有效的机器学习实验成为了一大研究热点。由此,迁移学习应运而生。本文的研究内容属于迁移学习的一个分支:域适应。域适应的目的是通过从源域迁移知识到目标任务上来减少对目标域的标注工作,以实现降低标注成本的作用。本文主要研究带有标签噪声的源域数据的有监督域适应问题。为了减弱标签噪声带来的负影响以及解决不同域之间分布不同的问题,本文提出了使用采样于源域和目标域且类标签相同的域混合图像组来进行学习。为此本文通过注意力机制来生成每个图像组的表示,并以此来训练分类器。通过注意力机制所获得的权重可以减弱噪声样本在训练过程中带来的负影响,由于同时兼顾了源域样本和目标域样本,图像组的表示就能够成为填补源域和目标域的域间空隙的可迁移特征。为了进一步提升模型的域适应能力,本文使用了基于对抗学习的方法来生成域不变特征,在域混合图像组的基础上进一步改进了模型。本文提出的域混合图像组方法,不仅考虑了源域数据中存在噪声的情况,还将实验场景拓展到小样本背景下,并且利用对抗学习的方法进一步提升了模型的域适应能力。本文所采用的实验模型是基于深度学习的神经网络模型,并在不同数据集上进行了验证分析。最后得到的结论如下:（1）为噪声样本分配一个更小的权重可以在一定程度上解决噪声带来的负影响。（2）基于域混合图像组来训练分类器可以解决域间分布不一致的问题,而且可以防止出现过拟合现象。（3）基于域混合图像组的域适应模型对不同噪声等级下的训练数据都具备鲁棒性。（4）增加了对抗学习之后,模型的分类性能和抗噪性能进一步提高。