近年来,基于卷积神经网络的有监督图像语义分割方法的研究取得了巨大进展。针对该方法所依赖的手动标签获取繁琐、费时的问题,一种流行的解决方法是通过游戏视频来收集类似于真实场景的图像并自动生成标签,随后利用迁移学习将合成场景训练的模型迁移到真实场景。由于域间差异,简单地将合成场景（源域）上学习的模型应用到真实场景（目标域）一般会出现较高的泛化误差,本文立足于迁移学习在图像语义分割中的应用,主要工作如下:（1）提出一种基于熵最小化的语义分割网络训练方式。传统基于熵最小化的方法可能会导致模型预测结果偏向于数据集中的某一类,针对这一问题,我们基于孪生网络结构的设计思想提出使用约束网络。首先在训练集上训练约束网络并固定网络参数,然后在使用熵函数训练分割网络时最小化约束网络输出特征图与分割网络输出特征图之间的距离。实验表明,本文提出的方法对最终分割准确度有较为明显的提升。（2）针对基于生成对抗网络的迁移图像语义分割,提出使用空洞卷积设计域鉴别器。鉴别器网络的性能对迁移图像语义分割的整体性能影响很大,通过使用空洞卷积替代传统卷积设计域鉴别器,在不额外增加训练参数的基础上进一步扩大了感受野。实验结果表明,本文提出的基于空洞卷积的域鉴别器对迁移图像语义分割方法性能提升明显。（3）提出一种图像风格转换技术对源域图像进行转换预处理。常见的特征域适应方法部分解决了域间差异的问题,但是,合成图片与真实图片在视觉（如外形、光线等）上存在的诸多差异使得很难仅从特征层的域适应角度减小域间差异。为此,我们使用注意力空间金字塔池化结构设计了一种图像风格转换网络,用于减小源域图片与目标域图片在像素级别的差异。实验论证了本文提出的图像风格转换技术对于迁移图像语义分割算法的有效性。