در بسیاری از الگوریتم های یادگیری ماشین، فرض اولیه بر این اساس است که مجموعه داده آموزشی (دامنه منبع) و مجموعه داده آزمون (دامنه هدف) توزیع یکسانی را به اشتراک می گذارند. این در حالی است که در اغلب مسائل دنیای واقعی، به دلیل اختلاف توزیع احتمال بین دامنه منبع و هدف، این فرض نقض می شود. برای مقابله با این مشکل، یادگیری انتقالی و تطبیق دامنه، مدل را برای مقابله با داده های هدف دارای توزیع متفاوت، تعمیم می دهند. در این مقاله ما یک روش تطبیق دامنه با عنوان هم ترازی تصویر از طریق یادگیری خصوصیت کرنل شده (IMAKE) را به منظور حفظ اطلاعات عمومی و هندسی دامنه های منبع و هدف پیشنهاد می دهیم. روش پیشنهادی یک زیرفضای مشترک بین دامنه های منبع و هدف جستجو می کند تا اختلاف توزیع آنها را به کمینه برساند. IMAKE از هر دو تطبیق توزیع هندسی و عمومی به صورت هم زمان بهره می برد. روش پیشنهادی دامنه های منبع و هدف را به یک زیرفضای کمبعد مشترک به صورت بدون نظارت منتقل می کند تا اختلاف احتمال توزیع شرطی و حاشیه ای داده های دامنه منبع و هدف را از طریق بیشینه اختلاف میانگین ها کمینه کند و برای تطبیق توزیع هندسی از هم ترازی منیفلد بهره می گیرد. کارایی روش پیشنهادی با استفاده از پایگاه داده های بصری متنوع و استاندارد با 36 آزمایش مورد ارزیابی قرار گرفته است. نتایج به دست آمده، نشان دهنده بهبود قابل ملاحظه از عملکرد روش پیشنهادی در مقایسه با جدیدترین روش های حوزه یادگیری ماشین و یادگیری انتقالی است.