La adaptación de dominio multisource (MDA) se compromete a extraer y minar datos sobre tareas objetivo de varios dominios fuente. Muchos estudios recientes se han centrado en extraer características invariables al dominio para eliminar las diferencias de distribución de dominio. Sin embargo, hay tres aspectos que requieren una mayor consideración. (1) Se deben hacer esfuerzos para garantizar la máxima correlación en el subespacio potencial entre los dominios fuente y objetivo. (2) Al alinear la distribución marginal, también se debe considerar la distribución condicional. (3) Simplemente alinear la distribución fuente y la distribución objetivo no puede garantizar una diferenciación suficiente para las tareas de clasificación. Para abordar estos problemas, proponemos un enfoque novedoso llamado hacia la discriminabilidad con restricciones de discrepancia de distribución para la adaptación de dominio multisource (TD-DDC). Específicamente, TD-DDC primero extrae características de relaciones máximas aprendidas de todos los dominios mientras construye métricas de distancia media de distribución de datos de dominio para la adaptación de distribución entre dominios. Simultáneamente, integramos la discriminabilidad en la alineación de dominio, lo que significa aumentar la distancia entre etiquetas que son distintas entre sí mientras se reduce la distancia entre etiquetas que son iguales. Nuestro método propuesto no solo reduce las diferencias de distribución entre dominios, sino que también tiene en cuenta la preservación de la correlación entre dominios y la discriminación entre categorías. Numerosos experimentos han demostrado que TD-DDC funciona mucho mejor que sus competidores en tres bases de datos de pruebas visuales de referencia.