La adaptación de dominio es un enfoque efectivo para mejorar la capacidad de generalización de los métodos de aprendizaje profundo, lo que hace que un modelo profundo sea más estable y robusto. Sin embargo, estos métodos a menudo sufren de un problema de implementación cuando los modelos profundos se despliegan en diferentes tipos de dispositivos periféricos. En este trabajo, proponemos un nuevo método de poda de canales llamado Poda de Canales Adaptativa al Dominio (DACP), que está específicamente diseñado para la tarea de adaptación de dominio no supervisada, donde hay una considerable falta de coincidencia en la distribución de datos entre los dominios fuente y objetivo. Poda los canales y ajusta los pesos de manera capa por capa. A diferencia de los enfoques de poda de canales capa por capa existentes que solo consideran cómo reconstruir las características de la capa siguiente, nuestro enfoque tiene como objetivo minimizar tanto el error de clasificación como la falta de coincidencia en la distribución de dominio. Además, proponemos un enfoque simple pero efectivo para utilizar los datos no etiquetados en el dominio objetivo. Nuestros experimentos exhaustivos en dos conjuntos de datos de referencia demuestran que nuestro método DACP recién propuesto supera a los enfoques existentes de poda de canales en el entorno de adaptación de dominio no supervisado.