语义分割是计算机视觉领域三大研究方向之一,是众多图像处理任务的基础。然而,使用深度学习技术对图像进行全监督语义分割依赖于大量手工标注的标签,带来了巨大的人力成本,严重制约了深度学习技术在各个领域的应用。在石墨电极生产这一工业场景中,为方便对生产过程中的石墨电极进行统计与管理,需要对石墨电极压印字符进行识别。语义分割是识别前的重要步骤,而语义分割数据集像素级的标注将会给企业带来巨大的生产成本。因此,石墨电极压印字符图像的无监督语义分割具有重要的现实意义,也极具挑战性。本文针对工业应用中石墨电极压印字符图像全监督语义分割数据集手工标注成本高昂的问题,从循环式生成对抗网络和域适应分割等两个方面对石墨电极压印字符图像无监督分割算法进行了研究,主要贡献如下:（1）在循环式生成对抗网络的研究中,提出一种适用于石墨电极压印字符图像的无监督语义分割网络Cycle GAN-Seg。首先,结合跨层连接和空洞空间池化金字塔（ASPP）的思想,构建了多尺度特征融合生成器,并加入了改进的注意力模块以提升网络性能。同时,提出一种U形判别器对重构图像进行判别,输出的真实性概率图表征了重构图像中各像素点的真实性,该图作用于循环一致性损失函数以约束生成器的训练。在石墨电极压印字符数据集语义分割实验中,MIo U值较Cycle GAN提升了5.90%,可达70.81%。此外,对Cycle GAN-Seg网络从参数量、运算量及预测耗时等方面进行了复杂度分析,实验结果表明该网络在提高分割准确率的同时降低了工业部署的硬件要求,并提高了预测速度。（2）在域适应分割的研究中,提出一种适用于石墨电极压印字符图像的无监督语义分割网络Db FFDA。首先,借鉴U-Net的跨层连接设计思路,提出了双分支上采样结构的残差域适应分割网络Res-Adp。网络上采样过程中的各级特征分别通过残差支路与卷积支路进行上采样。残差支路负责特征对齐,以使用域不变特征对图像进行分割,卷积支路负责保留本域特征,以使用本域独有的图像特征对分割细节进行补充。同时,使用融合特征输入进一步提升了网络分割性能。此外,根据分割图像中各类对象内部连续的先验知识提出了分割连续性损失函数LCon,该函数通过约束源域分割图像的生成间接提升了目标域图像的分割效果。在石墨电极压印字符数据集语义分割实验中,MIo U值较无监督U-Net网络提升了6.45%,可达70.53%。（3）对上述两个网络中超参数对分割性能的影响进行了理论分析与实验验证。同时,针对医疗领域的实际需求,将域适应无监督分割网络Db FFDA推广到医疗领域。解决了眼底血管图像分割这一应用场景中数据集重复标注的问题,降低了医疗数据集高昂的手工标注成本。实验结果表明,本文所提两种石墨电极压印字符图像无监督分割方法的实际分割效果已基本满足字符的后续识别需要,有望在特定工业场景中替代全监督学习方法,从而节省巨大的手工标注成本。同时,域适应无监督分割网络Db FFDA在医疗领域中实现了高精度的眼底血管图像无监督分割,有望节省医疗数据集高昂的手工标注成本。