随着大数据时代的来临,人类的各种活动产生了大量的数据。这很大程度归功于入网设备和网络社交的普及。由于数据处理往往滞后于数据生成,大量的无标签数据无法得到及时处理。这些数据不应该通过人工标注获得类别信息,因为人工标注会阻碍数据处理。因此,常用做法是利用已训练好的模型把标注信息迁移到新增数据上。不过,由于这种模型往往具备领域专用性,这种做法的效果往往不尽人意。为此,无监督领域自适应算法被提了出来。这种算法试图从有标注的源领域数据中挖掘具备迁移性的类别信息,并把这些信息迁移到无标注的目标领域数据中,是当前最热门的一种研究方向。为了将这种算法应用到多个源领域中,这种算法又发展出了无监督多源领域自适应算法。不过,几乎所有的多源领域自适应算法都受限于领域可分假设,无法适用于混合源场景中。少量没有这种假设的多源自适应算法因为其他假设而适用于特定的应用场景中。本文基于类别同态假设提出了一种无领域信息的跨领域自适应算法。在这种假设下,不同的源领域有不同的类别分布和数据噪声模式,但所有源领域的同一类别有相同的数据产生机制。也就是说,存在一个特征转换函数,使得所有源领域的类别决策空间是一致的。如果这个空间和目标领域的隐空间是相似的,那么多个源领域的类别信息就能够迁移到目标领域上。为了得到这个特征转换函数,所提算法不仅约束输出特征具备类别信息,还要对齐源领域期望分布和目标领域分布。考虑到类别信息的流失问题,所提算法选择对齐领域的类内分布。为了对齐类内分布,本文采用了两种策略来评估分布差异。第一种策略是最小化总体均方离差,能够集中同类样本到一致的类簇中心。第二种策略是最小化最大均值差异,能够对齐领域之间的类内分布。在无监督情形下,目标领域的类别空间是不可访问的。因此,目标领域的训练样本事先通过模型获得伪标签。此外,考虑到特征转换函数可能比较复杂,所提算法采用多任务学习的方式训练卷积神经网络。对比实验表明,在没有源领域信息的帮助下,基于类别同态假设的跨领域适应算法总体上依然优于其他方法。此外,基于最大均值差异的策略要稍好于基于总体均方离差的策略。隐层特征的可视化结果表明所提算法能够很好地保留数据的类别信息,从而获得了鲁棒的性能。