Este documento presenta un novedoso método de adaptación de dominio no supervisado (UDA), MeTa Discriminative Class-Wise MMD (MCWMMD), que combina el meta-aprendizaje con un enfoque de Máxima Discrepancia Media (MMD) por Clase para mejorar la adaptación de dominio. Los métodos tradicionales de MMD alinean las distribuciones generales pero luchan con la alineación por clase, lo que reduce la distinguibilidad de las características. MCWMMD incorpora un meta-módulo para aprender dinámicamente un kernel profundo para MMD, mejorando la precisión de alineación y la adaptabilidad del modelo. Esta técnica de meta-aprendizaje mejora la capacidad del modelo para generalizar entre tareas al garantizar representaciones de características invariantes al dominio y discriminativas por clase. A pesar de la complejidad del método, incluida la necesidad de entrenamiento del meta-módulo, representa un avance significativo en UDA. El trabajo futuro explorará la escalabilidad en diversos escenarios del mundo real y optimizará aún más el marco de meta-aprendizaje. MCWMMD ofrece una solución prometedora al desafío persistente de la adaptación de dominio, allanando el camino para modelos de aprendizaje profundo más adaptables y generalizables.