近年来,深度学习技术在很多应用领域中均获得了突破性的进展,其优异性能取决于大量标记数据训练的监督学习,由于在实际场景中,大量的已标记数据很难获取,域自适应方法提出用已训练好的有标记的源域深度模型应用到没有标记的目标域中,但是,源域和目标域往往存在域偏移,为了解决这一问题,本文在无监督域自适应算法基础之上,引入度量学习以提高目标域样本的分类准确率,具体做法如下:（1）为了提高无标记目标域的分类精度,提出了基于角度间隔损失的无监督域自适应算法,在域对抗网络的基础之上,通过引入角度间隔损失目标函数,来减小源域样本特征向量与权重向量之间的夹角,从而在角度空间中利用度量学习进一步提高源域不同类样本的汇聚程度,再通过域对抗训练方式进行域对齐时,间接的拉近目标域样本的类内距离,从而有效提高目标域上的分类精度。（2）为了更有效的提高目标域易混淆类的分类精度,提出了基于三元组损失的无监督域自适应算法,首先通过目标域中的分类距离来计算边界阈值,以识别出易混淆的类别,动态调整三元组损失中的边缘值,在度量空间中增加源域中易混淆类别之间的分割距离,然后通过域对齐操作,间接的拉开目标域易混淆类的距离以提高目标域样本的分类精度。此外,设计出了有效的训练批样本形成机制,以进一步提高无监督域自适应中深度模型的训练效率。本文提出的算法在多个公开的域自适应数据集上进行实验。实验结果表明,本文提出的算法在域自适应无监督场景下的图像分类性能要高于多种对比算法,从而验证了本文提出算法的可行性与优越性。