近年来,以深度学习为代表的人工智能技术取得了快速发展和广泛应用。然而,在实际应用中,人工智能的性能还是依赖于大量的标签数据,模型泛化性能不高。因此,如何减缓对标签数据的依赖并提升模型泛化性能是目前人工智能领域亟待解决的问题。领域自适应（Domain Adaptation,DA）就是该问题较好的解决手段,其旨在利用来自源域的知识帮助在新且相关的目标域上的学习。本文从损失函数、学习框架以及网络结构三个方向出发,针对半监督和无监督的DA问题,提出了两种DA算法:基于高效标签传播的DA算法和基于互惠归一化的DA算法。（1）从损失函数和学习框架出发,当在源域中有大量标签数据但目标域中的标签样本很少时,半监督DA方法在大规模图像分类任务中已显示出巨大潜力。现有的DA解决方案通常专注于两个域之间的特征对齐,而很少关注在目标域中已学到的表征的辨别性能。因此,本文提出了高效标签传播(（Effective Label Propagation,ELP）,通过使用有效的域间和域内语义信息传播来解决此问题。对于域间传播,本文提出了一个新的循环差异损失,以鼓励两个域之间语义信息的一致性。对于域内传播,本文提出了一种有效的自训练策略,以减轻目标域伪标签数据中的噪声并提高目标域中的特征辨别性。作为一种通用方法,本文的ELP可以轻松地应用于各种DA方法,并且可以促进它们在目标域中的特征识别。在公开基准测试集的实验表明,ELP不仅能提升主流半监督DA算法性能,还可以提高无监督DA算法的性能。（2）从网络结构设计出发,批量归一化（Batch Normalization.BN）在深度神经网络中得到了广泛的应用,已被证明能代表领域相关的知识,因此对于诸如无监督DA之类的跨域任务是低效的。现有的针对DA的BN变体方法中.大多数是在归一化模块的对应通道中聚合源域和目标域的知识。然而,跨域的对应通道特征之间的未对齐常常导致次优的迁移性能。本文利用跨域关系提出了一种新的归一化方法,互惠归一化（Reciprocal Normalization,RN）。具体而言,RN首先有一个互惠补偿模块,其基于跨域通道的相关性来获取两个域中每个通道的补偿。然后.RN开发了互惠聚合模块:以将特征及其跨域补偿组件自适应地聚合。作为BN的替代方案,RN可以轻松地集成到流行的DA方法中。在公开DA基准数据集上各种DA场景的实验表明,RN显著优于现有的归一化方法同行.并有助于主流DA方法取得更好的结果。