图像语义分割是计算机视觉中重要的研究领域,是图像理解的关键环节。近年来,随着深度学习技术的快速发展,图像语义分割已在自动驾驶、智慧医疗等众多领域取得了成功的应用。实际应用中,构建高精度、强泛化能力的语义分割模型通常需要大量的标注数据,但标注大量的样本需要耗费巨大的人力、物力和财力。此外,语义分割数据的标注需要在像素级进行,进一步增加了数据标注的难度。因此,如何在有限标注或无标注的情况下实现高效的语义分割成为了计算机视觉技术中的瓶颈难题。为了解决语义分割数据标注难,标注数据匮乏的问题,机器学习中的核心关键技术领域适配引起了广泛关注,其主要是利用大量已经标注的源域数据构建语义分割模型,用于目标域图像的语义分割任务。在基于领域适配的图像语义分割方法中,利用目标域的伪标注数据是提升源域的领域适配能力的重要途径,然而如何生成可靠的伪标注数据仍是领域适配应用于图像语义分割的技术难点。为此,本文提出了三分支深度网络架构,自适应地生成可靠伪标注样本,实现源域和目标域的不同语义的判别性匹配。同时为了进一步实现对伪标注分割数据的充分利用,构建了伪标签不确定性评估模型。本文的研究工作及创新点如下:1)提出了一种基于可靠伪标注判别性匹配的领域适配语义分割方法,首先构建网络结构不同的三分支分割网络模型,根据其中任意两个分支网络分割预测结果的一致性自适应地生成可靠性伪标签用于另一支网络的学习。为了保证伪标注数据与源域相同类别的判别性匹配,采用记忆机制存储充足且准确的源域类别特征,通过对比学习,将目标域伪标注的特征与存储的源域特征依据标签促使相同类别的像素特征相近,不同类别的像素特征远离,有效的提升了领域适配分割模型的性能。在GTA5→Cityscapes和SYNTHIA→Cityscapes这两个常用的无监督领域适配任务上,该方法的分割效果优于对比的前沿语义分割算法。2)提出了一种基于伪标签不确定性评估的领域适配语义分割方法。尽管通过不同分割网络预测结果的一致性提升了伪标签的可靠性,但可能存在一支网络可靠预测的置信度高,另一支网络预测置信度低的问题。通过生成伪标签的两个分支预测结果概率分布的相似度对伪标签的适配程度进行评估,给予差异度高的样本较大权值,差异度低的样本较小权值,从而保证伪标签训练的领域适配分割模型对目标域分割任务的适配能力。在GTA5→Cityscapes和SYNTHIA→Cityscapes这两个常用的无监督领域适配任务上,伪标签的不确定性评估显著地提高了伪标签的准确度和模型的分割性能。