Les réseaux profonds ont été appliqués avec succès pour apprendre des caractéristiques transférables, permettant d'adapter des modèles d'un domaine source à un domaine cible différent. Dans cet article, nous présentons les réseaux d'adaptation conjoints (JAN), qui apprennent un réseau de transfert en alignant les distributions conjointes de plusieurs couches spécifiques à un domaine, entre les différents domaines, en se basant sur un critère de divergence moyenne maximale conjointe (JMMD). Une stratégie d'entraînement adversarial est adoptée pour maximiser la JMMD, rendant ainsi les distributions des domaines source et cible plus distinctes. L'apprentissage peut être effectué par descente de gradient stochastique, avec les gradients calculés par rétropropagation en temps linéaire. Les expériences montrent que notre modèle donne des résultats de pointe sur des jeux de données standards.