无监督域自适应(UDA)是在给定源域上有标记数据的情况下，对目标域上的无标记数据进行预测。主流的UDA方法学习这两个域之间的对齐特征，这样一个训练在源特征上的分类器可以很容易地应用到目标特征上。但是，这种转移策略有可能破坏目标数据的内在辨别能力。为了缓解这种风险，我们基于结构域相似度的假设，提出通过对目标数据进行判别聚类，直接发现目标的内在歧视。我们利用基于结构域相似性的结构源正则化约束聚类解。在技术上，我们使用了一个灵活的基于判别聚类的深度网络框架，使网络的预测标签分布与引入的辅助标签分布之间的KL分歧最小化;用源数据的基真标签形成的辅助分布代替辅助分布，通过简单的联合网络训练策略实现了结构源的正则化。我们将提出的方法称为结构正则化深度聚类(SRDC)，其中我们还使用中间网络特征的聚类来增强目标识别，并使用较少发散的源实例的软选择来增强结构正则化。仔细的消融研究显示了我们提出的SRDC的疗效。值得注意的是，在没有显式域对齐的情况下，SRDC在三个UDA基准上的性能优于所有现有方法。