目标检测是计算机视觉中的重要分支,由于不同场景之间的特征分布差异（如背景、光照等）,在公共数据集上训练的目标检测框架在现实场景中使用时往往会出现性能下降的问题。解决该问题的方法是采用域自适应技术使在源域训练的模型在目标域中也可以很好的使用,但是传统的自适应方法通过对齐不同域之间的边缘分布以减少特征分布差异,但是可能会导致负迁移的问题。此外,仅仅考虑了单一目标域的自适应场景,限制了模型的适用范围。文章针对上述问题,基于域自适应理论展开了对深度域自适应目标检测技术的研究。提出了基于域自适应技术的目标检测模型,主要研究内容如下:（1）对卷积神经网络、目标检测技术、协同训练以及域自适应技术等方面进行了研究,为后续设计域自适应目标检测模型提供了强大的技术基础。（2）提出了加权特征对齐域自适应目标检测模型,该模型采用了对抗学习的方法将特征提取网络作为生成器,同时构造了两种不同的域分类器作为判别器,通过生成器与判别器相互博弈来学习局部和全局尺度的领域无关特征。同时为了避免自适应过程中的负迁移问题,根据半监督学习中的协同训练原理,设计了并行协同训练网络从数据集的不同视角中获取对齐强弱程度。最后通过特征差异惩罚模块,根据强弱程度动态的调整对齐强度。实验结果表明,采用多级域自适应模块后,网络在目标域上的检测精度比未加入自适应模块提升了13%m AP;同时,与主流的域自适应目标检测网络相比精度提升了1～2%m AP。（3）提出了适用于多目标域的域自适应目标检测网络,以解决传统域自适应模型仅局限于单一源域和单一目标域之间自适应学习的问题。该模型通过设计增量学习网络来保存旧领域知识所对应的权重,并将知识融入到新任务中从而避免模型在学习多个任务知识的时出现“灾难性遗忘”的问题。同时,为了使模型连续学习多个目标域特征,设计了一种训练策略来融合多个领域特征。在多领域数据集上与主流的模型进行了比较,实验表明,相比于主流的域自适应模型,该模型在多个目标域上都可以保持较高的检测精度,不会出现灾难性遗忘。综上所述,本文提出的两种域自适应目标检测模型可以有效的缓解由于领域特征分布差异导致模型在目标域上检测性能下降的问题,同时拓宽了域自适应模型的适用范围,避免了负迁移问题的出现。