La adaptación de dominio es un subcampo del aprendizaje por transferencia que tiene como objetivo reducir la brecha de disimilitud entre diferentes dominios transfiriendo y reutilizando el conocimiento obtenido en el dominio fuente al dominio objetivo. Muchos métodos han sido propuestos para resolver este problema, utilizando técnicas como las redes generativas adversarias (GAN), pero la complejidad de tales métodos dificulta su uso en diferentes problemas, ya que ajustar finamente estas redes suele ser una tarea que consume mucho tiempo. En este documento, proponemos un método para la adaptación de dominio no supervisada que es tanto simple como efectivo. Nuestro modelo (denominado TripNet) aprovecha la idea de un discriminador y Análisis Discriminante Lineal (LDA) para impulsar al codificador a generar características invariables al dominio que sean informativas de la categoría. Al mismo tiempo, se utiliza el pseudoetiquetado para los datos objetivo con el fin de entrenar al clasificador y de unir las mismas clases de ambos dominios. Evaluamos TripNet frente a varios métodos existentes de última generación en tres tareas de clasificación de imágenes: clasificación de dígitos (conjuntos de datos MNIST, SVHN y USPC), reconocimiento de objetos (conjunto de datos Office31) y reconocimiento de señales de tráfico (conjuntos de datos GTSRB y Synthetic Signs). Nuestros resultados experimentales demuestran que (i) TripNet supera a casi todos los métodos existentes (que tienen un modelo simple similar a él) en todas estas tareas; y (ii) para los modelos que son significativamente más complejos (o difíciles de entrenar) que TripNet, incluso supera su rendimiento en algunos casos. Por lo tanto, los resultados confirman la efectividad de usar TripNet para la adaptación de dominio no supervisada en la clasificación de imágenes.