对抗学习已被嵌入深度网络中，以学习解耦和可迁移的表示用于领域适应。现有的对抗领域适应方法可能无法有效对齐分类问题中固有的多模态分布的不同领域。本文提出了一种条件对抗领域适应方法，这是一种基于分类器预测所传达的判别信息来调节对抗适应模型的原则框架。条件领域对抗网络（CDANs）设计了两种新颖的调节策略：多线性调节，通过捕捉特征表示与分类器预测之间的交叉协方差来提高判别能力；熵调节，通过控制分类器预测的不确定性来保证可迁移性。该方法在理论上得到了保障，并且只需几行代码即可实现，已在五个数据集上超过了现有最先进结果。