语义分割是计算机视觉领域的一个重要研究方向,是场景理解和分析的基础,广泛应用在自动驾驶、人机交互、计算摄影学、图像搜索引擎、增强现实等领域。近年来,随着深度学习的不断发展,语义分割取得了较好的成就。基于无监督域自适应的方法无需大量标注样本,所以在语义分割领域应用更广泛,但现有的无监督域自适应方法,对于域差异较大的数据集,仍不能很好地对齐两域之间的分布,且对于物体边缘的分割不够平滑,分割精度和泛化性能都仍有待提高。针对上述问题,本文主要在如下两个方面做了部分工作:（1）AdaptSegNet（域自适应分割网络）在语义分割中取得了较好的结果,但该模型直接使用游戏数据集GTA5和真实数据集CityScapes进行对抗训练,容易导致训练中的对抗损失在反向传播过程中发生梯度爆炸,使模型的性能退化。针对该问题,提出了结合FPS（Fast Photo Style）风格转换模型的域自适应对抗分割网络,并将其应用于城市场景的分割。算法首先采用FPS模型对GTA5数据集进行风格转换,得到新的合成数据集FPS＿GTA5,它与真实数据集CityScapes在颜色和纹理上更接近,并用FPS＿GTA5数据集代替AdaptSegNet中的源数据集GTA5;其次为了证明FPS模型的有效性,使用CycleGan模型代替FPS模型进行了相同的操作得到Cycle＿GTA5数据集,并对比和分析了FPS＿GTA5数据集、Cycle＿GTA5数据集与CityScapes真实数据集的视觉效果和相似性度量;最后为了验证本文提出方法的有效性,选择GTA5和SYNTHIA作为源数据集,CityScapes作为目标数据集进行实验,并与目前几种主流的无监督分割算法进行对比。实验结果证明,对于GTA5到CityScapes实验,本文的模型相比AdaptSegNet模型,在Wall、Pole、Sign、Terrain、Car、Bus的分割精度提高了7%以上,mIoU（mean Intersection over Union）提高了2.7%。对于SYNTHIA到CityScape实验,本文的模型相比AdaptSegNet模型,在Road、Sidewalk、Car、Bus的分割精度提高了3%以上,mIoU提高了1%。（2）AdaptSegNet是采用源域和目标域之间的分割图进行对抗学习的训练方法,若源域和目标域存在较大的域差异时,则训练过程中由于对抗损失较大从而导致模型在反向更新时产生梯度爆炸,模型的分割性能退化,所以模型的分割性能仍有待提高。针对此问题,提出了在AdaptSegNet基础上添加自训练模块的域自适应对抗分割网络。算法将自训练模块引入对抗学习中,可以提升分割模型对目标域分割的能力;由于引入的自训练模块采用的是交叉熵损失,容易忽略低概率类别的分割,从而导致概率不平衡的问题。本文使用最大均方误差损失代替交叉熵损失,可以有效缓解低概率损失类别被忽略的问题,进而有效地提高分割精度;此外,为了进一步平衡高概率与低概率的类别,我们在最大均方误差损失中引入了类平衡权重因子,从而能更好地缓解概率不平衡问题,使模型的精度进一步提升;最后使用真实数据集CityScapes的500张验证集图片进行测试,我们进行了消融实验,并与目前几种主流的方法进行对比。实验结果表明,本章的方法相比AdaptSegNet模型,在Road、Sign、Car、Bus等目标精度分别提高了3.1%、7.8%、8.8%、2.8%,并且mIoU提高了1.1%。