L'adaptation de domaine non supervisée (UDA) effectue des prédictions pour les données du domaine cible alors que les annotations manuelles ne sont disponibles que dans le domaine source. Les méthodes précédentes minimisaient la divergence entre les domaines en négligeant les informations de classe, ce qui pouvait entraîner un mauvais alignement et une faible performance de généralisation. Pour résoudre ce problème, cet article propose un réseau d'adaptation contrastif (CAN) optimisant une nouvelle métrique qui modélise explicitement la divergence intra-classe et inter-classe entre les domaines. Nous avons conçu une stratégie de mise à jour alternée pour entraîner le CAN de manière end-to-end. Les expériences menées sur deux benchmarks réels, Office-31 et VisDA-2017, démontrent que le CAN se compare favorablement aux méthodes de pointe actuelles et produit des caractéristiques plus discriminantes.