近年来随着机器学习的发展越来越迅速,卷积神经网络在计算机视觉尤其是图像语义分割任务中的应用也越来越广泛。训练高精度的分割网络需要大量的标记数据,但实际应用中数据集的像素级标签难以获取。针对训练中缺少标记数据的情况,分割网络只能通过无监督学习实现微弱的精度提升。为了减少获取真值标签的开销并提高无监督语义分割的准确率,研究人员开始关注迁移学习及域适应策略。迁移学习利用公共大型数据集或其他易于获取真值的数据集训练神经网络,使其能够更好地用于当前数据集的无监督语义分割任务。但是由于不同域的图像风格不同、数据分布不同,导致域间存在严重的域偏移。域偏移使迁移效率低下,给图像分割带来了较明显的消极影响。因此研究人员开始采用域适应方法减小域差异,提升迁移学习的性能,增强分割网络学习域不变特征的能力。目前很多域适应方法采用生成对抗或自训练等机制达到了一定的效果,但它们在使用自训练机制时未能解决类不平衡问题,生成伪标签时未能考虑到所有的类别预测结果,并且它们都仅关注了全局层面的分布差异或局部类别的对齐。所以当前使用域适应算法的无监督语义分割网络仍表现不佳,分割精度有很大的提升空间。为了解决上述问题,本文提出了两种无监督语义分割任务中域适应算法的改进方法,来改善传统的域适应方法,提升网络的语义分割精度。本文的主要工作包括:（1）提出了一种熵值驱动的类平衡自训练方法（Entropy-driven Class-Balanced Self-Training,ECBST）。由于传统自训练方法未考虑到语义分割任务中的类不平衡问题,基于概率的类平衡自训练方法又无法充分利用分割网络的预测概率,因此本文利用熵值实现了类平衡自训练,解决了目前域适应中自训练方法的局限性。具体来说,ECBST以图像预测熵值作为置信度的评判标准,充分利用了分割网络的预测结果,并在伪标签生成时实现了类级别的类平衡像素筛选,扩充了高可信度的伪标签数据。ECBST作为独立的扩展模块,与当前先进的域适应方法结合,提升了原域适应的能力,使语义分割网络更好地用于无标签目标数据。（2）提出了基于全局特征和类分布对齐的多粒度域适应方法（Multi-grained Unsupervised Domain Adaptation,Muda）。该方法在ECBST的基础上进一步探索了伪标签在无监督域适应任务上的使用,将自训练融入了语义分割网络的训练过程,并且针对传统域适应方法未平衡好全局与局部对齐的问题,Muda实现了域之间的多粒度语义一致性。具体来说,首先本文从风格迁移和分割图对齐两个方面实现了粗粒度适应,减小了域间整体偏差。其次,本文开发了一种基于类特征中心距离的置信度度量来细化伪标签,实现了细粒度的类别知识转移。Muda利用多粒度域适应优化了语义分割网络的训练,提升了无监督语义分割的精度。（3）将提出的两种方法应用于GTA5→Cityscapes和SYNTHIA→Cityscapes两个合成图像数据集到实景图像数据集的迁移任务中,进行了无监督语义分割任务的实验验证。本文将ECBST和当前主流自训练方法进行对比,将Muda和当前先进的域适应方法做比较。实验结果表明,在不同的域适应方法中加载ECBST机制后,图像分割精度至少提升了2.95%;在不同的域适应任务上,多粒度域适应方法Muda改进了ECBST并结合了全局和局部对齐,对分割结果至少提升了9.6%;在不同域适应任务上使用两种方法解决类不平衡问题时,稀有类平均分类准确度至少提升了13.4%。