域适应的主要任务是应对跨不同数据分布的相似任务决策问题,深度学习的兴起使得域适应研究得到了更为广泛的应用,例如图像分类、目标检测等任务。但由于其应用场景和跨域知识复杂多样,多数方法并未有效挖掘显式和隐式信息,也极少考虑到域对齐和域判别能力的动态关系调整,且现有方法极少兼顾到对困难样本和简单样本的类级别跨域共有知识的保存和利用。为应对现有研究存在的以上问题,本文主要对跨域知识的多样性进行深层次挖掘利用,以获得性能更优的域适应。总结而言,本文的主要工作如下:（1）基于双向生成及中间域过渡的无监督域适应。针对现有对抗域适应方法所存在的特征信息量反馈不足问题,本文首先对现有基于对抗的无监督域适应方法进行回顾,其次从中间域层面出发,提出了中间域过渡方法（BGMA）。该方法通过中间域对齐有效地减小数据分布差异,通过对数据进行生成并构建监督约束,减少了生成数据之间的域间隙,从而有效增加域共有信息并降低了领域知识传递的难度。（2）基于特征和标签空间动态对齐的无监督域适应。针对现有对抗域适应方法存在的域对齐和域判别能力失衡问题,本文从动态平衡角度出发,提出了DAFL方法。通过度量源域和目标域之间的类级别分布距离,DAFL自适应地学习域适应及域判别之间的动态系数,以提高目标域分类任务的性能。具体来说,DAFL首先在特征空间中进行了类级别加权对齐,在标签空间中最大化标签空间信息,以显式和隐式地减小跨域分布差异。此外,动态调整域对齐和域判别之间的平衡因子,有助于避免模型陷入低水平的局部最优,并实现对目标域样本的标记工作。（3）基于类共识字典更新的主动域适应。针对现有主动域适应方法未同时兼顾简单样本和困难样本信息挖掘问题,提出了UCCDA方法,该方法利用源域先验知识初始化类共识字典,通过主动学习挑选出复杂样本进行人工标注,进而使用自训练方式挑选出简单置信样本并给予伪标签,最终通过同时更新类共识字典中的复杂和简单样本来有效减小源域和目标域之间的跨域分布差异,此外,UCCDA还可以应用于隐私保护机制下的无源域适应问题。