در بیش تر الگوریتم های یادگیری ماشین و پردازش تصویر، فرض اولیه بر این است که توزیع احتمال داده های آموزشی (دامنه منبع) و آزمایش (دامنه هدف) یکسان است؛ اما در کاربردهای دنیای واقعی، برخی معیارها نظیر حالت تصویر، روشنایی یا کیفیت تصویر، موجب ایجاد اختلاف قابل توجهی بین دو مجموعه آموزشی و آزمایش می شود. به همین دلیل، اغلب مدل های ایجاد شده بر روی داده های آموزشی عملکرد ضعیفی بر روی داده های آزمایش خواهند داشت؛ بااین حال، روش های تطبیق دامنه، راه حل بسیار مؤثری برای کاهش اختلاف توزیع بین دامنه های آموزشی و آزمایش هستند. در این مقاله یک روش تطبیق دامنه با عنوان نمایش تُنُک و تطبیق زیرفضا (SRSA) پیشنهاد شده است، که با وزن دهی مجدد نمونه های آزمایش و نگاشت داده ها به یک زیرفضای جدید مشکل اختلاف توزیع داده ها را به خوبی مرتفع می سازد. SRSA با استفاده از یک نمایش تُنُک، بخشی از مجموعه داده های هدف را که ارتباط قوی تری با داده های منبع دارند، انتخاب می کند؛ علاوه بر آن، SRSA با نگاشت داده های تُنُک هدف و داده های منبع به زیرفضاهای مستقل، اختلاف توزیع آنها را درفضای به دست آمده کاهش می دهد؛ درنهایت با برروی هم گذاری زیرفضاهای نگاشت شده، SRSA اختلاف توزیع بین داده های آموزشی و آزمایش را به کمینه می رساند. ما روش پیشنهادی خود را با ترتیب دادن چهارده آزمایش بر روی پایگاه داده های بصری مختلف مورد ارزیابی قرار داده و با مقایسه نتایج به دست آمده، نشان داده ایم که SRSA عملکرد بهتری در مقایسه با جدیدترین روش های یادگیری ماشین و تطبیق دامنه دارد.