Universelle Domänenanpassung (UniDA) stellt ein praktisches, jedoch herausforderndes Problem dar, bei dem Informationen über die Beziehung zwischen Quell- und Zieldomäne für den Wissenstransfer nicht verfügbar sind. Bestehende UniDA-Methoden leiden unter der Problematik, intra-domänische Variationen in der Zieldomäne zu übersehen, sowie der Schwierigkeit, zwischen ähnlichen bekannten und unbekannten Klassen zu unterscheiden. Um diese Probleme anzugehen, schlagen wir ein neuartiges Mutual Learning Network (MLNet) mit Nachbarschaftsinvarianz für UniDA vor. In unserer Methode wird eine konfidenzgesteuerte, invarianten Merkmalslernmethode mit selbstadaptiver Nachbarschaftsauswahl entworfen, um die intra-domänischen Variationen zu reduzieren und somit allgemeinere Merkmalsdarstellungen zu erzielen. Durch die Verwendung eines cross-domain Mixup-Schemas zur Verbesserung der Identifizierung unbekannter Klassen kompensiert die vorgeschlagene Methode Fehlzuordnungen von bekannten Klassen mittels gegenseitigem Lernen zwischen geschlossenen- und offenen-Klassen-Klassifikatoren. Umfangreiche Experimente auf drei öffentlich verfügbaren Benchmarks zeigen, dass unsere Methode im Vergleich zu den aktuellen State-of-the-Art-Verfahren in den meisten Fällen die besten Ergebnisse erzielt und in allen vier UniDA-Szenarien signifikant über der Basislinie abschneidet. Der Quellcode ist unter https://github.com/YanzuoLu/MLNet verfügbar.