无监督模型迁移有潜力显著提高深度模型在新领域的泛化能力。然而，当前的研究文献假设目标数据被划分为不同的领域是先验已知的。在本文中，我们提出了一个名为领域无关学习（Domain-Agnostic Learning, DAL）的任务：如何将带有标签的源领域中的知识迁移到任意目标领域的未标记数据中？为了解决这一问题，我们设计了一种新颖的深度对抗解耦自动编码器（Deep Adversarial Disentangled Autoencoder, DADA），该编码器能够将领域特定特征从类别身份中分离出来。实验结果表明，在目标领域标签未知的情况下，DADA 在多个图像分类数据集上达到了最先进的性能。