随着深度学习的迅猛发展,深度卷积神经网络已经在计算机视觉领域取得了巨大的成功。但是大多数深度卷积神经网络都需要海量标签数据的支撑,这带来了昂贵且费时的数据标注问题。因此,如何在大量没有标记的数据中学习到知识是非常重要的。近些年来,迁移学习中的领域自适应方法成功的解决了这样的问题,领域自适应通过将具有丰富标记数据的数据集（源域）的知识传递到标签稀缺或不可用的数据集（目标域）中,来构建具有跨域识别能力的分类器。本文针对不同领域自适应场景进行了相关研究,主要研究成果如下:（1）针对部分领域自适应问题,本文提出了一种利用相关多样性来进行不同领域之间的知识迁移的算法。该算法首先通过利用目标域图像的标签分布和特征分布来构建一个子集选取器,以避免某些源域类别参与领域自适应过程。对于剩余的源域图像,该算法提出了一个全面的权重计算方案以准确量化它们的可迁移性,该方案从多个方面结合了源域图像的类级相关性以及实例级相关性。在几个常用的跨域数据集上的实验结果证明,该算法优于现有的深度领域自适应方法以及部分领域自适应方法。（2）针对领域自适应中的小样本学习问题,本文引入了一种新的通用小样本领域自适应学习设置,在该设置下,源域标签集与目标域标签集之间的关系是未知的。为了解决这个问题,本文设计了通用小样本领域自适应网络,该网络首先为该设置中的各种可能情况设计了相应的领域自适应方法,其次该网络配备了一个新颖的类级加权机制来量化源域标签集与目标域标签集之间的相似性,从而逐步确定两者之间的关系并使得网络选择正确的方法进行知识迁移。在该工作中还利用了拼图游戏来扩展可训练图像,进一步解决小样本学习中可训练图像较少的问题。在常用的跨域数据集上的一系列实验结果表明,所提出的通用小样本领域自适应网络具备有效性以及稳定性。