在过去的十年中，转移学习引起了很多关注。 迁移学习中的一个关键研究问题是如何为不同领域的实例找到良好的表示形式，以便可以通过新的表示形式来减少领域之间的差异。 近来，已经提出了深度学习以学习更健壮或更高级的特征以用于转移学习。 但是，据我们所知，大多数以前的方法既没有显着最小化域之间的差异，也没有在学习表示形式时对标签信息进行编码。 在本文中，我们提出了一种基于深度自动编码器的监督表示学习方法，用于转移学习。 提出的深度自动编码器由两个编码层组成：嵌入层和标签编码层。 在嵌入层中，根据KL散度，