在大数据日益普及的今天,无标签的数据的获取十分廉价易得,但有标签的数据则不然。人工标注数据是一项费时费力的繁琐工作。如何应用现有的有标签数据集,辅助不同但相关的无标签的目标数据集上的数据挖掘任务是一项十分具有现实意义的挑战。域自适应的目的就在于,利用有标签的源域数据集和无标签的目标域数据集,提升在目标域中特定任务的表现,即使两个域之间并不完全相同。在无监督领域自适应学习中,学习具有领域不变性表征的过程容易被由有标签的源域数据主导,而目标域的数据分布特性则往往会被忽略。为了提升模型在目标域的分类性能,我们设计了让一个目标域专用网络,并提出基于该目标域专用网络和一个域自适应网络的协同学习模型,该模型不同于传统方法,能够避免直接将减少领域间差异作为模型优化目标。为了进一步提升目标域专用网络的泛化能力,我们还提出了一种聚类正则化方法,驱使目标域数据点往聚类中心靠拢。由于目标域专用网络在指定的目标域下有效训练,从而能在目标域取得更好的分类性能,并进一步促进域自适应网络的训练。因此,上述两个网络之间存在相互促进的关系。在多个视觉域自适应基准数据集上,我们都充分验证了所提出模型的有效性和优越性,也对比了当前最新的域自适应方法。