本发明提出一种知识蒸馏的无源域无监督领域自适应方法，通过设计教师‑学生模型和竞争机制，不使用源域数据实现目标域的分类。首先构建由特征提取器、分类器和旋转分类器组成的教师网络，用源域数据训练并固定分类器参数，通过自监督的旋转采样方法微调源模型，并采用聚类方法生成目标域数据的伪标签。然后设计由特征提取器和分类器组成的学生网络，仅用目标域数据生成伪标签，并通过最大化互信息损失优化标签的区分性和多样性。最后利用竞争模块对教师‑学生网络的伪标签进行筛选，提取置信度更高的伪标签以更新学生网络，从而完成知识迁移。该方法无需源域数据，降低数据存储与传输成本，提高隐私和数据安全性，并支持对未标注的目标域数据进行无监督分类学习。