Para resolver el problema de la distribución inconsistente de datos en el aprendizaje automático, la adaptación de dominio basada en métodos de representación de características extrae características del dominio fuente y las transfiere al dominio objetivo para la clasificación. Los métodos existentes basados en la representación de características principalmente resuelven el problema de la distribución inconsistente de características entre los datos del dominio fuente y los datos del dominio objetivo, pero solo unos pocos métodos analizan la correlación de características entre dominios entre el espacio original y el espacio latente compartido, lo que reduce el rendimiento de la adaptación de dominio. Con este fin, proponemos un método de adaptación de dominio con un módulo residual, cuyas ideas principales son las siguientes: (1) transferir las características de los datos del dominio fuente a los datos del dominio objetivo a través del espacio latente compartido para lograr el intercambio de características; (2) construir un modelo de aprendizaje residual entre dominios utilizando el espacio de características latentes como la conexión residual del espacio de características original, lo que mejora la eficiencia de propagación de las características; (3) utilizar un espacio de características regular para la representación de características dispersas, lo que puede mejorar la robustez del modelo; y (4) proporcionar un algoritmo de optimización, y los experimentos en los conjuntos de datos visuales públicos (Office31, Office-Caltech, Office-Home, PIE, MNIST-UPS, COIL20) muestran que nuestro método logró un 92.7% de precisión en Office-Caltech y un 83.2% en PIE, alcanzando la mayor precisión de reconocimiento en tres conjuntos de datos, lo que verifica la efectividad del método.