深度神经网络的成功通常取决于大量标记的训练样本，不幸的是，在实践中很难获得这些样本。 无监督域适应着重于目标域中没有标记数据的问题。 在本文中，我们提出了一种新颖的深度无监督域自适应方法，该方法可以学习可传递的特征。 与大多数现有方法不同，它尝试通过执行类别自适应以匹配每个类别的样本条件分布来学习更好的领域不变特征表示。 自定进度的学习策略用于逐渐带动标签信息的意识，即使标签在目标域中不可用，这也使得按类别进行适应变得可行。 然后，我们给出详细的理论分析以解释如何获得更好的性能。 实验结果表明，