现代深度学习系统已在许多机器学习和计算机视觉问题中取得了令人瞩目的成果。这些结果很大程度上归功于用于学习代表性特征的大规模标记数据集的存在。以深度学习为代表的机器学习算法存在一个重要的假设,即独立同分布。但在现实应用中,由于复杂的数据获取环境,具有相同任务的数据集之间存在数据偏差或者域差异。这一现象使同分布假设较难满足,继而大幅度降低深度学习在跨域数据任务中的泛化性能。因此,对于不同数据集的相同任务,都需要人为反复收集和标记大量数据进行训练,给现实应用带来较大局限。为了解决上述问题,迁移学习中的无监督域自适应旨在将领域知识从一个有标记的源域迁移到一个完全未标记的目标域上,在解决非独立同分布的跨域数据视觉任务中具有天然的优势。考虑到深度学习模型的经验优势,本文将重点放在本文的深度无监督域自适应问题上。首先,本文研究了基于图像分类的无监督域自适应问题。最近的方法借助于基于跨域伪标签方法进行源域和目标域的特征对齐。但是,因为不能明确地保证跨域伪标签的准确性,这些方法容易导致错误累积,继而无法保证跨域类别的一致性。受此启发,论文提出了一个渐进式特征对齐网络,通过充分利用目标域每个类别的类内分布差异来渐进地有效地对齐源域和目标域的判别性特征。具体而言,论文首先提出了一种由易到难的迁移策略和自适应中心向量对齐两个模块来逐步地迭代地训练所提出的模型。此外,在观察到良好的领域适应性通常需要一个非饱和源域分类器,论文通过插入一个定值到softmax函数以降低源域分类交叉熵损失函数的收敛速度。实验结果表明,提出的渐进式特征对齐网络在三个无监督域自适应基准数据集超过了当前最佳方法的性能。其次,论文研究了针对跨域目标检测的无监督域自适应问题。自适应目标检测的最新进展在传统目标检测网络中加入特征对抗约束,以减小源域和目标域的特征分布差异,获得了一定的迁移性能。尽管对抗特征自适应可以显着地增强特征表示的可迁移性,但是相关工作对于目标检测网络的特征判别性的研究仍十分有限。此外,对抗特征自适应中的可迁移性和判别性在一定程度上存在矛盾,这是由于在自适应目标检测任务中,不同域的各类目标存在各异的组合;同时,域之间存在的差异化场景布局。受此启发,本文提出了一种分层可迁移性校准网络,该网络可分层（局部区域/图像/实例）校准特征表示的可迁移性,以协调特征的可迁移性和判别性。所提出的模型包括三个部分:（1）带有输入插值的重要性加权对抗训练,它通过对插值的图像级特征重新加权来增强全局的判别性;（2）基于上下文感知的实例对齐模块,它通过捕获实例层面的特征和全局上下文信息之间的潜在互补效应来增强局部特征的判别性,从而实现更好的实例层面特征对齐;（3）局部特征掩码,用于校准局部特征的可迁移性,以为随后的判别性特征对齐提供语义层面的信息指导。实验结果表明,本文所提出的分层可迁移性校准网络在三个基准数据集上明显优于的最新方法。