首先要让源域与目标域中的影像能够由同一的分布来表达，因此可用的就是特征的转换，再来算出源域与目标域的距离，使得这一距离越短越好，

从而实现域适应。常见的域适应方法包括基于实例的方法、基于特征的方法和基于模型的方法。

基于实例的方法是将源域中的实例映射到目标域中，然后利用这些实例进行分类或回归等任务。这种方法的优点在于简单易实现，但缺点是需要大量的源域数据和计算资源。

基于特征的方法是将源域和目标域中的特征进行映射或转换，使得它们在同一分布下表达。这种方法一般需要一些先验知识或假设，如源域和目标域具有相同的类别标签或相似的分布。常见的方法包括最大均值差异（Maximum Mean Discrepancy，MMD）和自适应域转换（Adaptive Domain Transfer，ADT）等。

基于模型的方法是在源域和目标域中分别训练模型，然后将它们进行对齐或融合。这种方法可以充分利用源域和目标域的特点，但同时也需要大量的计算资源和训练数据。常见的方法包括深度域适应（Deep Domain Adaptation，DDA）和联合训练（Joint Training，JT）等。

总的来说，域适应是解决跨域问题的重要方法之一，它可以在不同的应用场景中提高模型的泛化能力和性能。