在训练集和测试集满足独立同分布的假设条件下,经典的机器学习算法在我们的日常生活中得到了大量成功的应用。令人遗憾的是,当训练集和测试集的分布存在较大差异时,经典的机器学习算法性能会显著下降。领域自适应算法利用来自不同分布的源域数据（训练数据）和目标域数据（测试数据）,缩小源域和目标域数据的分布差异,从而达到利用经典机器学习算法进行建模的目的。目前,大多数领域自适应算法通过对齐源域和目标域的边际分布（x）和类条件概率分布（x|y）来减小源域和目标域的分布差异。从统计学的角度来看,对齐源域和目标域的边际分布和类条件概率分布并不能确保对齐源域和目标域的联合分布。考虑到对齐源域和目标域的联合分布是领域自适应的本质性问题,本文开展基于联合分布对齐的领域自适应算法研究。为了解决联合分布不匹配问题,本文首先创造性地把核函数表示成样本特征核函数和标签核函数之积,并从理论上证明了其合理性;然后,基于所提出的核函数和最大均值差异（Maximum Mean Discrepancy,MMD）度量公式,本文提出了扩展的最大均值差异（Extended Maximum Mean Discrepancy,EMMD）公式度量源域和目标域的联合分布差异;最后,基于所提出的度量公式,本文提出了联合分布匹配嵌入模型（Joint Distribution Matching Embedding,JDME）。该模型通过找到子空间中的投影矩阵,使得源域和目标域的联合分布在投影子空间中尽可能接近。为了求解带正交约束的优化问题,本文将JDME模型转化为格拉斯曼流形上的无约束优化问题,并使用一阶黎曼梯度下降算法进行求解。由于线性映射可能不足以将复杂的数据进行较好的投影,本文将JDME模型推广到非线性的情况,提出核联合分布匹配嵌入算法（Kernel Joint Distribution Matching Embedding,KJDME）。在大量无监督和半监督领域自适应问题上的实验结果表明:与大量经典的浅层领域自适应算法相比,在0.05的置信水平下,所提出的JDME算法和KJDME算法均具有统计显著性。另外,所提算法的性能与基于联合分布对齐的算法、基于深度学习的算法是可比的。