当前的混合目标域适应（BTDA）方法通常推断或考虑域标签信息，但对目标的混合类别特征结构重视不足，这导致了性能有限，尤其是在标签分布偏移的情况下。我们证明了如果不同域的类别分布能够充分对齐，即使面对域不平衡和类别的标签分布偏移，域标签在BTDA中也不是直接必需的。然而，我们观察到BTDA中的聚类假设并不完全成立。混合类别特征空间阻碍了类别分布的建模以及可靠伪标签的生成，从而影响了类别对齐的效果。为了解决这些问题，我们提出了一种由不确定性引导的类别域判别器，以显式建模并直接对齐条件分布 $P(Z|Y)$P(Z∣Y)。同时，我们利用低级特征来增强单一源特征，使其具有多样化的目标风格，以纠正不同目标之间的偏差分类器 $P(Y|Z)$P(Y∣Z)。这种相互条件对齐机制形成了一个相互强化的过程。我们的方法在BTDA中超越了现有最先进方法的表现，即使与使用域标签的方法相比也是如此，特别是在标签分布偏移的情况下，在DomainNet上的单目标域适应任务中表现尤为突出。源代码可在以下链接获取：\url{https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation}。