随着数据规模和计算资源的快速增长,机器学习已成为大数据分析、计算机视觉、自然语言处理等任务的主要技术基石之一。大多数机器学习方法通常假设数据是来源于同一个分布的。然而在实际应用场景中,数据往往可以根据其分布被划分为彼此不同但又互相关联的子组。这样的子组通常被称为领域。对人类来说,将一些领域（称为源领域）的数据和知识映射、迁移到另外一些领域（称为目标领域）并非难事。然而对机器学习而言,想要实现这样的跨领域数据映射和知识迁移通常需要大量的标签信息来训练一个跨领域映射/迁移模型。但是,获得标签的过程会耗费大量的人力物力,甚至在某些情况下根本无法获得标签。因此,如何在没有标签信息下实现跨领域数据映射和知识迁移成为机器学习中亟待解决的问题。无监督跨领域学习的提出正是为了解决这一问题。无监督跨领域学习放宽了传统机器学习中数据必须来源于同一个领域的约束,在给工业界和学术界带来许多机遇的同时也面临着诸多挑战。本文重点面向无监督跨领域学习中领域映射、领域适应和领域泛化任务,研究如何在不同领域之间挖掘领域不变的本质特征和结构以及每个领域独有的特性,从而使得数据和知识可以在领域间实现转换和迁移。本文的主要研究内容和创新点可以概括为:（1）提出一种基于运动引导的无监督视频领域映射方法。无监督视频领域映射的目标是在没有任何配对的训练样本情况下学习一个映射使得视频可以从源领域转换到目标领域。这种视频领域映射不仅要求映射后的视频每一帧的视觉外观是真实的,而且连续帧之间的运动也是真实的。为此,本文提出一种新的运动引导的循环生成对抗网络,创新性地将运动估计引入到无监督领域映射任务中。该网络使用了三种约束:1)对抗约束通过生成器和判别器两个网络的极大-极小训练策略将源领域视频帧转换到目标领域。2)视频帧以及帧间运动循环一致约束隐式地保证生成的目标领域视频保留输入源领域视频的语义和运动信息。3)运动转换约束进一步增强了生成的目标领域视频在时域上的连续性。实验结果表明,该方法可以有效地提升视频转换质量,并在多个标准数据集上都取得了比现有无监督视频领域映射模型更优的性能。（2）提出一种基于可迁移对比学习的无监督领域适应方法。无监督领域适应旨在利用有标签的源领域数据和大量无标签的目标领域数据,学习一个能在目标领域表现良好的模型。领域适应的最新进展是利用自监督学习来提升无标签目标领域数据特征的跨领域不变性。然而大多数现有的领域适应方法都将自监督学习视为独立的辅助组件,没有考虑到其本身的目标是消除领域分布差异。相反地,本文提出一种专门为领域适应任务定制的自监督学习范式,即可迁移对比学习。该范式将自监督学习和领域适应有机地结合起来,可以同时提升模型的跨领域迁移能力和分类判别能力。实验结果表明,本方法在多个无监督领域适应基准数据集上都取得最先进的性能。（3）提出一种基于风格与语义记忆机制的领域泛化方法。领域泛化旨在从若干个源领域数据中学习一个泛化能力强的模型,以便在训练时未见过的目标领域数据上取得较好的结果。目前最先进的领域泛化算法往往优先考虑跨领域的语义不变性假设,而忽略了领域内固有的风格不变性。本文发现利用领域内风格不变性对于提高模型领域泛化的能力至关重要。本文使用一种风格与语义记忆机制来存储不同领域不同样本的风格和语义特征,并提出实例级别的风格对比损失函数和“陪审团”机制进行域内不变的风格特征学习和域间不变的语义特征学习。最终,模型学到的语义特征可以很好地泛化到目标领域。实验结果表明,本方法在多个领域泛化基准数据集上的性能都达到领先水平。