现有的大多数领域自适应方法仅关注从单一源域到目标域的适应，然而在实际应用中，存在多个相关源域，可被有效利用以提升目标域上的性能。为此，本文提出一种名为T-SVDNet的新方法，用于解决多源域自适应（Multi-source Domain Adaptation, MDA）任务。该方法的核心在于将张量奇异值分解（Tensor Singular Value Decomposition, T-SVD）引入神经网络的训练流程中。整体上，充分挖掘了多领域与多类别之间的高阶相关性，从而更有效地弥合领域间差异。具体而言，我们对一组原型相似性矩阵堆叠形成的张量施加张量低秩（Tensor-Low-Rank, TLR）约束，以捕捉不同领域间一致的数据结构。此外，为避免噪声源数据带来的负迁移问题，我们提出一种新颖的不确定性感知加权策略，基于不确定性估计结果，自适应地为不同源域及样本分配权重。在多个公开基准数据集上开展的大量实验表明，所提模型在解决MDA任务方面显著优于当前最先进的方法。