L'adaptation de domaine visuelle vise à apprendre des classifieurs robustes pour le domaine cible en exploitant les connaissances d'un domaine source. Les méthodes existantes tentent soit d'aligner les distributions inter-domaines, soit de réaliser un apprentissage de sous-espace de variété. Cependant, deux défis majeurs se posent : (1) la transformation dégradée des caractéristiques, ce qui signifie que l'alignement des distributions est souvent effectué dans l'espace des caractéristiques originales, où il est difficile de surmonter les distorsions des caractéristiques. D'autre part, l'apprentissage de sous-espace n'est pas suffisant pour réduire la divergence des distributions. (2) L'alignement non évalué des distributions, ce qui signifie que les méthodes d'alignement des distributions existantes ne font qu'aligner les distributions marginales et conditionnelles avec une importance égale, sans évaluer leur importance respective dans les applications réelles.Dans cet article, nous proposons une approche d'Alignement de Distribution Intégré dans une Variété (Manifold Embedded Distribution Alignment - MEDA) pour relever ces défis. MEDA apprend un classifieur invariant aux domaines dans la variété de Grassmann en minimisant le risque structurel, tout en réalisant un alignement dynamique des distributions pour quantifier l'importance relative des distributions marginales et conditionnelles. Selon nos connaissances, MEDA constitue la première tentative d'effectuer un alignement dynamique des distributions pour l'adaptation de domaine basée sur une variété. De nombreuses expériences montrent que MEDA offre une amélioration significative en termes de précision de classification par rapport aux méthodes traditionnelles et profondes les plus avancées.