近年来基于学习的机器人抓取方法正在吸引越来越多研究人员的注意。对于在训练集里出现的物体，这些方法一般能够取得较好的结果，但对于没有出现在训练集里的新物体，抓取性能则会下降。通常情况下从源域（source domain）我们可以获取大量有标注的物体，但对于分布在目标域（target domain）的待抓取物体，我们只有很少的样本。受此启发，我们引入深度领域自适应（deep domain adaptation）的方法将在源域学到的抓取知识迁移到目标域。具体来说，我们先学习一个预测物体抓取角度的神经网络，该网络会对前向通过的物体给出一个抓取角度预测，并且我们要求不管是来自源域还是目标域的物体，只要抓取角度相似，它们在特征空间上也应该相近。从源域学得的知识对目标域来说是一种先验。实验结果表明，利用这种先验知识我们在目标域的抓取结果提高了2.84个百分点。