近几年深度神经网络在理论和实践两方面都取得了广泛的成功,然而深度神经网络模型的训练有两个约束条件:一是需要有大量的标记数据以防止模型过拟合,二是训练数据与测试数据的分布必须满足独立同分布约束,这两个约束条件严重制约了深度学习模型的应用与扩展。为解决标记数据稀缺以及分布不同问题,一个流行的方法是无监督领域适配方法,此方法旨在利用已有领域的标记数据来解决数据分布不同的其它领域的分类问题。本文主要研究基于深度神经网络的无监督领域适配算法,使用深度神经网络抽取源领域中领域不变的深度特征表示来完成目标领域的图像分类问题。具体包含以下两个内容:一是基于金字塔池化层和门控机制提出了一个深度卷积神经网络模型并给出了使用此网络模型进行领域适配的算法。该模型使用金字塔池化层对卷积层特征进行不同级别的特征抽取以获取不同粒度的信息,然后使用门控机制保留分类任务中各个样本的任务相关知识为全局任务知识向量,并用此全局任务知识向量对各个样本的特征进行重新校准。在使用此模型进行领域适配的算法中,不同领域的样本通过使用不同的编码器进行特征抽取同时使用相同的全局任务知识向量对不同领域的样本特征进行重新校准,实现了知识的迁移和复用。二是提出了基于最大熵损失的领域适配算法来实现领域间特征的条件概率分布对齐。此方法结合聚类思想,将分类器的权重向量看做是各个类别的聚类中心向量,然后通过交替地更新分类器和编码器实现领域间的类别特征分布对齐。在分类器的更新步骤中,通过最大化神经网络对目标领域的样本预测概率的熵来调整分类器中权重向量的位置,使得分类器权重向量向目标领域聚类中心移动;在编码器的更新步骤中,通过最小化源领域的分类损失调整源领域的特征分布,使得源领域特征向分类器权重向量移动。为保证不同领域特征的边际概率分布的一致性,基于最大熵损失的领域适配方法结合了领域对抗神经网络中的梯度反转层思想,在一次梯度下降的过程中同时训练编码器和领域判别器。