深度学习因其卓越的表现受到研究者的广泛关注。然而,深度神经网络通常需要大量的带标签样本来训练大量模型参数。但是,采集大量带标签样本代价昂贵,很多实际应用提供的训练样本集所包含的监督信息往往不够充裕,大多属于本文定义的三种弱数据集:1)仅包含大量无标签样本,不包含带标签样本;2)仅包含极少量带标签样本;3)包含极少量带标签样本以及大量无标签样本。但是,直接使用监督信息不充裕的弱数据集很难训练得到可靠的深度神经网络。本文通过研究相应的类别级别域适应方法,利用包含大量监督信息的辅助训练集与弱数据集训练得到可靠的深度神经网络。首先,针对训练样本集只包含大量无标签样本的弱数据集场景,提出了一种基于最小化不同职责分类器输出差异（Minimizing Outputs’Differences of Classifiers with Different Responsibilities,MODCDR）的无监督域适应方法,在模型框架中构造了一个生成器以及两个分别工作在源域和目标域上的分类器;基于上述结构,该方法得到用于自训练的目标域可靠伪标签样本,引入自训练机制;通过训练特征生成器最小化两个分类器输出的预测概率向量的差异,该方法不仅可以生成判别特征,而且还能实现类别级特征分布对齐。实验结果表明,与最近流行的无监督域适应方法相比,MODCDR具有优越的性能,这证明其在简单的模型框架上,通过引入自训练,结合判别特征生成和类别级别特征分布对齐,简单且高效地实现了类别级别域适应。其次,针对训练样本集只包含极少量带标签样本的弱数据集场景,提出了一种基于条件类别对齐（Condition Category Alignment,CCA）的监督域适应方法,使得源域与目标域的特征分布可以根据其自身的状态有条件地进行优化。在训练阶段中,仅当一批样本的类内距离估计值足够大而类间距离估计值足够小时,CCA才最小化类内距离估计值、最大化类间距离估计值;同时,CCA会根据一批样本的最大类内距离估计值与最小类间距离估计值之差调整优化特征分布的强度系数。实验结果表明,CCA在研究的弱数据集场景中表现优异,这证明CCA通过有条件地优化特征分布,更好地实现了类别级域适应。最后,针对训练样本集包含大量无标签样本与极少量带标签样本的弱数据集场景,提出了一种新的基于类原型特征分布对齐（Feature Distribution Alignment Based on Category Prototype,FDABCP）的半监督域适应方法。FDABCP使用基于余弦相似度的分类器学习类原型,减少混合源域与目标域监督信息可能造成的负面影响;在利用训练样本调整分类器并生成判别特征的基础上,构建两个分别学习源域类原型和目标域类原型的分类器,并利用它们设计域混淆损失与域鉴别损失,最终实现类别级别特征分布对齐。实验结果表明,FDABCP在研究的弱数据集场景中具有优越的性能,这证明该方法通过实现类别级别特征分布对齐,进一步兑现了训练样本对类别级别域适应的价值。