目前，统计适应与对抗适应是无监督深度域适应中两类广泛使用的神经网络架构。其中，对抗适应因其坚实的理论基础和出色的实证性能，已成为新的标准方法。然而，该方法仍存在两个主要缺陷：其一，近期研究表明，此类方法过度关注易于迁移的特征，从而忽略了对分类至关重要的判别性信息；其二，对抗网络的训练过程具有高度不稳定性。针对第一个问题，我们在对抗框架内引入了可迁移谱特性的一致性对齐机制，以平衡易于迁移特征与必要判别特征之间的关注权重，同时通过相关性约束限制域特定语义的过度学习。针对第二个问题，我们采用谱归一化（Spectral Normalization）技术，利用Lipschitz连续梯度的性质，有效稳定了判别器网络的训练过程。本文从理论和实证两个层面评估了所提出方法的改进效果，并在多个标准基准数据集上通过性能对比实验，验证了其相对于多种先进方法的优越性。