Tiefes Lernen hat in der unüberwachten Domänenanpassung (Domain Adaptation) vielversprechende Ergebnisse gezeigt, die darauf abzielen, ein etikettierte Quelldomäne zu nutzen, um einen Klassifikator für eine nicht-etikettierte Zieldomäne mit einer anderen Verteilung zu lernen. Allerdings ignorieren solche Methoden in der Regel ihre feinere Strukturen und konzentrieren sich stattdessen auf das Erlernen eines domäneninvarianten Repräsentationsraums, um die Randverteilungen der Quelldomäne und der Zieldomäne zu angleichen. In dieser Arbeit schlagen wir Cluster Alignment with a Teacher (CAT) für die unüberwachte Domänenanpassung vor, welche die diskriminativen Clusterverbünde in beiden Domänen effektiv nutzt, um eine bessere Anpassung zu erreichen. Technisch gesehen nutzt CAT ein implizites Ensemble-Lehrermodell, um die klassenbedingte Struktur im Merkmalsraum für die nicht-etikettierte Zieldomäne verlässlich zu erkennen. Anschließend zwingt CAT die Merkmale sowohl der Quelldomäne als auch der Zieldomäne dazu, diskriminative klassenbedingte Clusterverbünde zu bilden und diese über die Domänen hinweg auszurichten. Empirische Ergebnisse zeigen, dass CAT in mehreren Szenarien der unüberwachten Domänenanpassung den aktuellen Stand der Technik übertreffen kann.