应用自适应是软件工程和服务计算这一交叉领域的研究热点之一，应用通过感知自身和环境的变化，动态调整自己的行为与流程，以便在环境与需求发生非确定性变化的情况下继续高效地达成服务目标.近年来随着大数据和人工智能的发展，传统的基于软件模型控制的方法已经不再适用于当今动态和复杂的应用环境.相比而言，数据驱动的方法不依赖于数学模型和专家知识，而是以概率和数理统计为基础，通过应用服务运行的反馈数据，逐步学习和理解复杂多变的环境，继而学习出自适应系统的模型.因此，数据驱动的应用自适应具有感知性、适应性、自治性和协作性等特点，适用于流程复杂的应用服务场景，如物联网、智能交通、分布式计算等.从自适应框架出发，参考了认知计算的相关特点，总结出数据驱动的智能自适应框架，并分别综述了其中的表征学习、模式识别、决策规划和规则演化这4种技术在近几年数据驱动的自适应技术中的应用，重点探索了如机器学习、深度学习和强化学习等新技术在其中所起的作用，并总结和展望了自适应技术在服务计算领域的发展趋势.