卷积神经网络（CNNs）在面对新的测试域时，通常无法保持其性能，这一问题被称为域偏移。近期研究表明，导致这一问题的主要原因之一是CNNs对图像风格（即纹理）具有强烈的归纳偏差，而这些风格对域变化非常敏感，而不是对内容（即形状）。受此启发，我们提出减少CNNs的内在风格偏差以缩小不同域之间的差距。我们的风格无关网络（Style-Agnostic Networks, SagNets）将风格编码与类别解耦，防止基于风格的预测偏差，并更加关注内容。大量实验表明，我们的方法有效减少了风格偏差，并使模型在域偏移情况下更具鲁棒性。该方法在多个数据集上的跨域任务中表现出显著的性能提升，包括域泛化、无监督域适应和半监督域适应。