通用域适应（Universal Domain Adaptation, UDA）能够在不施加标签集约束的前提下实现域间知识迁移，从而显著扩展了域适应技术在现实场景中的适用性。在UDA任务中，源域和目标域的标签集合可能各自包含对方所不包含的独有标签（即“个体标签”）。UDA面临的“事实”挑战之一，是在存在域偏移的情况下，准确分类目标域中属于共享类别的样本；而更为突出的挑战则是，需将目标域中属于其独有标签（开放类）的样本标记为“未知”。这两个相互交织的挑战使得UDA成为一个高度未被充分探索的研究问题。以往的UDA研究主要聚焦于共享类别的分类性能，并采用每类准确率（per-class accuracy）作为评估指标，然而这一指标严重偏向共享类别的表现，难以反映模型对开放类别的识别能力。然而，准确识别开放类别的能力正是实现真正通用域适应的关键任务。一旦能够有效检测开放类别，UDA问题便可被转化为一个成熟的闭集域适应问题。为实现精准的开放类别检测，本文提出一种名为“校准的多重不确定性”（Calibrated Multiple Uncertainties, CMU）的新方法。该方法引入一种新颖的可迁移性度量，通过融合多种不确定性指标——即熵（entropy）、置信度（confidence）与一致性（consistency）——在由多分类器集成模型校准后的条件概率基础上进行计算。该新提出的可迁移性度量能够精确刻画目标样本倾向于属于开放类别的倾向性。此外，本文还提出一种全新的评估指标——H-score，该指标同时强调共享类别与“未知”类别分类准确率的重要性，从而更全面地衡量UDA模型的整体性能。在典型的UDA设置下的实证实验结果表明，CMU在所有评估指标上均优于当前最先进的域适应方法，尤其在H-score指标上展现出显著优势，验证了其在开放类别检测与整体泛化能力方面的卓越表现。