L'adaptation de domaine non supervisée (UDA) transfère les connaissances d'un domaine source riche en étiquettes vers un domaine cible entièrement non étiqueté. Pour relever ce défi, les approches récentes recourent au transfert de domaine discriminatif grâce aux pseudo-étiquettes afin d'aligner la distribution des classes entre les domaines source et cible. Ces méthodes, toutefois, sont vulnérables à l'accumulation d'erreurs et ne parviennent donc pas à préserver la cohérence catégorielle inter-domaines, car la précision du pseudo-étiquetage n'est pas garantie explicitement. Dans cet article, nous proposons le Progressive Feature Alignment Network (PFAN) pour aligner progressivement et efficacement les caractéristiques discriminatives entre les domaines, en exploitant la variabilité intra-classe dans le domaine cible. Plus précisément, nous développons une stratégie de transfert de facile à difficile (EHTS) et une étape d'alignement de prototypes adaptatifs (APA) pour entraîner notre modèle itérativement et alternativement. De plus, constatant qu'une bonne adaptation de domaine nécessite généralement un classifieur source non saturé, nous envisageons une méthode simple mais efficace pour ralentir la vitesse de convergence de la perte de classification source en intégrant une variable température dans la fonction softmax. Les résultats expérimentaux exhaustifs montrent que le PFAN proposé dépasse les performances de l'état de l'art sur trois jeux de données UDA.