目标检测通常假设训练数据和测试数据来自相同的分布，然而在实际应用中这一假设并不总是成立。这种分布差异会导致性能显著下降。在本研究中，我们旨在提高目标检测在不同域间的鲁棒性。我们从两个层面应对域偏移问题：1）图像层面的偏移，如图像风格、光照等；2）实例层面的偏移，如目标外观、大小等。我们的方法基于最新的先进Faster R-CNN模型，并设计了两个域适应组件，分别用于图像层面和实例层面，以减少域间差异。这两个域适应组件基于H-散度理论，并通过对抗训练方式学习一个域分类器来实现。不同层次的域分类器进一步通过一致性正则化强化，以学习Faster R-CNN模型中的域不变区域提议网络（Region Proposal Network, RPN）。我们使用多个数据集（包括Cityscapes、KITTI、SIM10K等）对所提出的新方法进行了评估。结果表明，该方法在各种域偏移场景下均能有效提高目标检测的鲁棒性。