L'adaptation de domaine est cruciale pour le succès dans des environnements nouveaux et inconnus. Les modèles d'adaptation adversariale appliqués dans les espaces de caractéristiques découvrent des représentations invariantes par domaine, mais sont difficiles à visualiser et parfois incapables de capturer les décalages de domaine au niveau des pixels et des niveaux inférieurs. Des travaux récents ont montré que les réseaux génératifs adversariaux combinés avec des contraintes de cohérence cyclique sont surprenamment efficaces pour cartographier les images entre les domaines, même sans l'utilisation de paires d'images alignées. Nous proposons un nouveau modèle d'adaptation de domaine cycliquement cohérent et entraîné de manière discriminative, appelé CyCADA (Cycle-Consistent Adversarial Domain Adaptation). Ce modèle adapte les représentations tant au niveau des pixels qu'au niveau des caractéristiques, impose la cohérence cyclique tout en exploitant une perte de tâche, et n'a pas besoin de paires alignées. Notre modèle peut être appliqué dans divers contextes de reconnaissance visuelle et de prédiction. Nous présentons des résultats nouveaux et à l'état de l'art sur plusieurs tâches d'adaptation, notamment la classification des chiffres et la segmentation sémantique des scènes routières, démontrant le transfert du domaine synthétique au domaine réel.