Dans ce chapitre, nous présentons la méthode d'alignement de corrélation (CORAL), une approche simple mais efficace pour l'adaptation non supervisée de domaine. CORAL minimise le décalage de domaine en alignant les statistiques d'ordre deux des distributions source et cible, sans nécessiter aucune étiquette cible. Contrairement aux méthodes de variété sous-espace, elle aligne les distributions de caractéristiques originales des domaines source et cible, plutôt que les bases d'espaces de dimension inférieure. Elle est également beaucoup plus simple que d'autres méthodes d'appariement de distribution. CORAL donne des résultats remarquables lors d'évaluations exhaustives sur des ensembles de données de référence standard. Nous décrivons tout d'abord une solution qui applique une transformation linéaire aux caractéristiques source pour les aligner avec les caractéristiques cible avant l'entraînement du classifieur. Pour les classifieurs linéaires, nous proposons d'appliquer équivalemment CORAL aux poids du classifieur, ce qui permet une efficacité accrue lorsque le nombre de classifieurs est faible mais le nombre et la dimensionalité des exemples cibles sont très élevés. La CORAL Analyse Discriminante Linéaire (CORAL-LDA) ainsi obtenue surpasse largement l'Analyse Discriminante Linéaire (LDA) sur des ensembles de données de référence standard en adaptation de domaine. Enfin, nous étendons CORAL pour apprendre une transformation non linéaire qui aligne les corrélations des activations de couches dans les réseaux neuronaux profonds (DNNs). L'approche Deep CORAL résultante s'intègre parfaitement avec les DNNs et atteint des performances au niveau de l'état de l'art sur des ensembles de données de référence standard. Notre code est disponible à :~\url{https://github.com/VisionLearningGroup/CORAL}