传统的有监督学习方法限制于训练数据和测试数据必须服从独立同分布的假设,难以解决训练数据和测试数据分布偏移的问题。针对上述问题,领域适应应运而生。领域适应是解决训练数据和测试数据违背独立同分布的一种机器学习范式。近年来,随着生成对抗学习的发展,基于对抗学习的领域适应得到了巨大关注。现有基于对抗学习的领域适应方法,往往是将源域数据和目标域数据在特征空间上做完美对齐。但在实际应用场景中,源域数据存在着部分难以迁移的样本,对这部分样本进行迁移会扰乱目标域数据的分布。本文针对条件对抗领域适应方法未能充分挖掘样本可迁移性的不足,仍然存在部分难以迁移的源域样本扰乱目标域数据分布的问题,提出基于迁移权重的条件对抗领域适应(TW-CDAN)算法。本文的主要研究工作如下:为了更好的挖掘样本的可迁移性,本文使用领域判别模型的判别结果作为可迁移性的度量指标。首先通过领域判别模型结果的熵来作为样本的可迁移性权重;其次将可迁移性权重应用在源域数据的分类损失上,以控制更为相似的样本,以更大的权重去更新网络的参数,旨在消除条件对抗领域适应中部分难以迁移样本对模型造成的影响。为了进一步缓解对抗模型所面临的模式崩溃问题,本文在第三章的基础上,进一步引入基于迁移权重的最小熵损失,提出基于迁移权重最小熵损失的条件对抗领域适应方法,予以增大源域数据中不同类别的分离边界。对于置信度越高、相似性越大的源域样本,给予更大的权重去更新模型的参数;对于置信度越低、相似性越低的源域样本,减轻该样本对模型的影响。经3个数据集的24项迁移任务验证,基于迁移权重的条件对抗领域适应方法在其中的19项迁移任务中取得了最佳结果。在加入迁移权重最小熵损失后,其中的23项迁移任务得到进一步的提升。