L’adaptation de domaine non supervisée vise à résoudre le problème de la classification d’échantillons non étiquetés provenant d’un domaine cible, alors que seuls des échantillons étiquetés sont disponibles dans un domaine source, et que les distributions des données diffèrent entre ces deux domaines. En conséquence, les classificateurs entraînés sur les échantillons étiquetés du domaine source subissent une baisse significative de performance lorsqu’ils sont appliqués directement aux échantillons du domaine cible. Pour pallier ce problème, diverses approches ont été proposées afin d’apprendre des caractéristiques invariantes au domaine ou des classificateurs spécifiques au domaine. Dans les deux cas, le manque d’échantillons étiquetés dans le domaine cible constitue une difficulté, souvent atténuée par une technique de pseudo-étiquetage. Toutefois, un pseudo-étiquetage inexact peut entraîner une accumulation catastrophique d’erreurs au cours de l’apprentissage. Dans ce travail, nous proposons une nouvelle stratégie de pseudo-étiquetage sélectif fondée sur la prédiction structurée. L’idée sous-jacente repose sur le fait que les échantillons du domaine cible sont bien regroupés dans l’espace des caractéristiques profondes, ce qui permet d’utiliser une analyse de regroupement non supervisé pour faciliter un pseudo-étiquetage précis. Les résultats expérimentaux obtenus sur quatre jeux de données (à savoir Office-Caltech, Office31, ImageCLEF-DA et Office-Home) confirment que notre approche surpasser les méthodes de pointe actuelles.