近年来,随着深度学习的发展,其在各个领域都应用广泛。但在实际中,深度学习仍存在许多问题。首先获取一个性能良好的深度学习模型需要大规模的标记样本对其进行训练,但是给样本做标注的过程既浪费时间又浪费劳动力。其次,深度学习模型使用当前场景下的数据进行训练和测试的效果较好,但是当测试数据与训练数据存在分布差异时,深度学习模型的泛化能力明显下降。这就导致要花费大量人力物力重新标注样本,并对模型再次进行训练。因此,如何利用相关领域学习的知识对当前场景的数据进行知识迁移和复用成为当今研究的热门。针对训练数据需求量大以及分布差异的问题,研究者们提出了域适应的概念。域适应是迁移学习的一个分支,目的是解决数据集分布不同但任务相同或者相近时的迁移问题。其中,生成对抗式域适应方法取得了较好的效果,其通过对抗训练的方法对源域和目标域的特征分布进行对齐。然而,由于生成对抗网络中的判别器只是个二分类器,输出只有0或1,没有充分考虑到源域和目标域的类别特征信息,在整体特征对齐的过程中容易产生类别特征误匹配,从而出现负迁移。针对类别特征误匹配的这一关键问题,本文提出了变分领域自适应算法,该算法由预训练框架和生成对抗式域适应框架组成。首先,通过有标签的源域数据训练自动编码器-分类器结构,然后通过高斯混合模型提取源域各个类别样本的均值和方差,生成源域类别特征的概率分布。其次在域适应阶段,一方面使用生成对抗网络缩小源域和目标域之间的整体特征差异;另一方面,将类别对齐问题转换成后验概率逼近于先验概率的问题,因此将源域类别特征的概率分布作为目标域特征的先验概率,这样就将源域携带的类别信息赋予到目标域特征生成过程中,目标域就携带有类别特征信息,并且逼近于源域,达到类别对齐的目的。最后,使用源域的分类器对目标域样本进行分类。通过本方法,减少了源域和目标域类别之间的误匹配,缓解了域适应过程中的负迁移问题,提高了分类的准确率。本文提出的算法在digits数据集上的平均准确率达到97.8,在Office-31上平均准确率为94.5%,均高于主流算法。