目前,深度学习已经得到了显著的发展,基于深度学习的域适应也取得了很大的进步。目前针对域适应的大部分研究都是假设源域和目标域空间具有相同类别的传统标准域适应,而部分域适应因为更接近实际应用场景,相比传统的域适应更有研究的意义与价值。现有的部分域自适应方法大多采用加权机制来避免源域中不相关的离群类别所引起的负迁移。但是这些方法在部分域适应任务中同时平等的去考虑源域中的各个类别,然后依靠分类器或判别器来确定对应类别的权重,这些方法并没有考虑源域中对相似困难离群类样本可能出现的错误预测,从而导致离群源类和目标类的错误对齐,以及可能出现的对应类别的分类器或判别器的错误对齐。针对上述问题,提出了一种基于排他性正则化的选择对抗学习网络,依靠联合最大均值差异准则,从不同角度指导多个域判别器对两个域中的共享类别进行有效的选择,提高其判别的能力,很大程度上提高了深度部分域适应的能力。具体工作如下:（1）提出了一种基于排他性正则化的网络特征学习模型,在类间推力和类内拉力的共同监督下,该模型将学习一种强调类间可分性的特征表示。（2）针对部分域适应场景,在选择对抗训练的情况下,基于联合最大均值差异（Joint Maximum Mean Discrepancy,JMMD）准则,实现跨域间的适配,使用的对抗学习机制也进一步最大化JMMD。（3）在排他性正则化和JMMD的共同作用下,进一步有效的指导多个域判别器通过选择源域和目标域中的共享类别进行学习,从而在最大程度上避免了网络的负迁移,增强网络正迁移的能力。通过在Office-31数据集和Office-Home数据集的众多任务上进行充分的实验验证,结果表明以上创新点均使得目标域准确率有一定的提升,而以上方法的结合综合表现较佳,超过了以往大部分的深度部分域适应的方法。