本文提出了一种名为DRANet的网络架构，该架构通过在潜在空间中解耦图像表征并迁移视觉属性，实现无监督跨域适应。与现有域适应方法中学习共享域特征的策略不同，DRANet能够保留各域自身独特的特征表现。我们的模型从源域和目标域图像中分别编码出内容（场景结构）与风格（艺术外观）的独立表征。随后，通过将迁移后的风格因子与内容因子相结合，并引入为各域定制的可学习权重，实现域的自适应调整。该学习框架仅需一个编码器-解码器网络即可支持双向或多向域适应，并有效对齐域间分布差异。此外，我们设计了一种内容自适应域迁移模块，能够在风格迁移过程中有效保持场景结构的完整性。大量实验表明，所提模型能够成功分离内容与风格因子，并生成视觉效果自然的域迁移图像。在标准数字分类任务及语义分割任务上，该方法均取得了当前最优的性能表现。