Los modelos de aprendizaje profundo destacan en la interpretación de la creciente cantidad exponencial de datos de teledetección; sin embargo, son susceptibles a la decepción y falsificación por muestras adversarias, lo que plantea amenazas catastróficas. Los métodos existentes para combatir las muestras adversarias tienen un rendimiento limitado en cuanto a robustez y eficiencia, especialmente en escenarios complejos de teledetección. Para abordar estos desafíos, se propone un algoritmo de adaptación de dominio no supervisado para la identificación precisa de imágenes limpias y muestras adversarias mediante la exploración de una red de clasificación adversarial generativa robusta que puede armonizar las características entre imágenes limpias y muestras adversarias para minimizar las discrepancias de distribución. Además, se integra una pérdida polinómica lineal como reemplazo de la pérdida de entropía cruzada para guiar el aprendizaje de representaciones robustas. Además, aprovechamos el método de signo de gradiente rápido (FGSM) y los algoritmos de descenso de gradiente proyectado (PGD) para generar muestras adversarias con diversas amplitudes de perturbación para evaluar la robustez del modelo. Se realizaron una serie de experimentos en el conjunto de datos RSSCN7 y el conjunto de datos SIRI-WHU. Nuestros resultados experimentales ilustran que el algoritmo propuesto se desempeña excepcionalmente bien en la clasificación de imágenes limpias, demostrando robustez contra las perturbaciones adversarias.