La clasificación automática de modulación juega un papel significativo en numerosas aplicaciones militares y civiles. Los métodos de aprendizaje profundo han atraído una atención creciente y han logrado un éxito notable en los últimos años. Sin embargo, pocos métodos pueden generalizar bien a través de cambios en condiciones de canal variables y parámetros de señal. En este documento, basado en un análisis del desafiante problema de cambio de dominio, propusimos un método que puede lograr simultáneamente una buena precisión de clasificación en datos fuente bien anotados y señales no etiquetadas con tasas de símbolos y frecuencias de muestreo variables. En primer lugar, se utiliza una red neuronal convolucional para la extracción de características. Luego, se utiliza una capa de discrepancia máxima de media de múltiples núcleos para conectar el dominio fuente etiquetado y el dominio objetivo no etiquetado. Además, se construye un conjunto de datos de señales del mundo real que consta de ocho esquemas de modulación digital para verificar la efectividad del método propuesto. Los resultados experimentales demuestran que supera a los métodos de vanguardia, logrando una mayor precisión en ambos conjuntos de datos fuente y objetivo.