我们提出了一种新的技术——关联域适应（associative domain adaptation），用于神经网络的端到端域适应，即根据标记源域的统计特性推断未标记目标域的类别标签。我们的训练方案遵循以下范式：为了有效地为目标域推导出类别标签，网络应生成统计上域不变的嵌入向量，同时最小化在标记源域上的分类误差。我们通过在嵌入空间中直接强化源数据和目标数据之间的关联来实现这一目标。该方法可以轻松添加到任何现有的分类网络中，几乎不需要额外的计算开销且无需进行结构修改。我们在多个基准测试中展示了该方法的有效性，并使用一种通用的卷积神经网络架构（未针对特定任务进行调优）取得了跨领域的最先进结果。最后，我们证明了所提出的关联损失函数生成的嵌入向量在域适应方面比使用最大均值差异（maximum mean discrepancy）作为嵌入空间相似性度量的方法更为有效。