El reconocimiento de la vida silvestre es de suma importancia para monitorear y preservar la biodiversidad. En los últimos años, los métodos basados en aprendizaje profundo para el reconocimiento de imágenes de vida silvestre han mostrado un rendimiento notable en conjuntos de datos específicos y se están convirtiendo en una dirección de investigación principal. Sin embargo, las tareas de reconocimiento de imágenes de vida silvestre enfrentan el desafío de una débil generalización en entornos abiertos. En este artículo, se propone una Red de Adaptación Conjunta Profunda (DJAN) para el reconocimiento de imágenes de vida silvestre para abordar el problema mencionado al considerar un paradigma de aprendizaje por transferencia. Para aliviar la discrepancia de distribución entre el conjunto de datos conocido y el conjunto de datos de la tarea objetivo, mientras se mejora la transferibilidad de las características generadas por el modelo, introducimos una restricción de alineación de correlación y una estrategia de entrenamiento adversarial condicional, que mejoran la capacidad de los módulos de adaptación de dominio individuales. Además, se utiliza una unidad de transformador para capturar las relaciones a largo plazo entre las representaciones de características locales y globales, lo que facilita una mejor comprensión de la estructura general y las relaciones dentro de la imagen. El enfoque propuesto se evalúa en un conjunto de datos de vida silvestre; una serie de resultados experimentales testifican que el modelo DJAN produce resultados de vanguardia y, en comparación con los mejores resultados obtenidos por los métodos de referencia, la precisión promedio de identificación de las once especies de vida silvestre mejora en 3.6 puntos porcentuales.