Domain Adaptation untersucht das Problem des Wissenstransfers zwischen verschiedenen Domänen, bei dem die beschriftete Quelldomäne und die unbeschriftete Ziel-Domäne unterschiedliche Datensverteilungen aufweisen. In jüngster Zeit wurden adversarische Trainingsansätze erfolgreich auf das Domain Adaptation-Problem angewendet und erreichten dabei state-of-the-art-Leistungen. Dennoch besteht bei aktuellen adversarischen Modellen ein gravierender Nachteil, der auf der Gleichgewichtsproblematik des adversarischen Trainings zurückzuführen ist. Konkret können zwar die meisten bestehenden Methoden den Domänen-Detektor verwirren, jedoch garantieren sie nicht, dass die Quell- und Ziel-Domäne ausreichend ähnlich sind. In diesem Artikel stellen wir einen neuen Ansatz namens {\it cycle-consistent conditional adversarial transfer networks} (3CATN) vor, um dieses Problem zu bewältigen. Unser Ansatz gewährleistet die Domänenanpassung durch Nutzung des adversarischen Trainings. Insbesondere konditionieren wir die adversarischen Netzwerke durch die Kreuz-Kovarianz der gelernten Merkmale und der Klassifikatorvorhersagen, um die multimodalen Strukturen der Datensverteilungen zu erfassen. Da die Klassifikatorvorhersagen jedoch keine sicheren Informationen darstellen, ist eine starke Bedingung auf Basis dieser Vorhersagen riskant, wenn diese ungenau sind. Daher schlagen wir vor, dass die eigentlichen domäneninvarianten Merkmale in der Lage sein sollten, von einer Domäne in die andere übersetzt zu werden. Dazu integrieren wir zwei Merkmalsübersetzungsverluste und einen zyklischen Konsistenzverlust in die bedingten adversarischen Domänenanpassungsnetzwerke. Umfassende Experimente an klassischen und großskaligen Datensätzen bestätigen, dass unser Modell die bisherigen state-of-the-art-Methoden mit signifikanten Verbesserungen übertrifft.