深度神经网络能够从大量标记的输入数据中学习强大的表示，但它们在输入分布发生变化时并不总能很好地泛化。为了弥补因领域偏移而导致的性能下降，已经提出了领域适应算法。本文针对目标领域未标记的情况，需要进行无监督适应。CORAL（“令人沮丧的简单”无监督领域适应方法）通过线性变换对齐源域和目标域的二阶统计量。在此基础上，我们扩展了CORAL，以学习一种非线性变换，该变换可以对齐深度神经网络各层激活之间的相关性（深度CORAL）。在标准基准数据集上的实验表明，该方法达到了最先进的性能。