基于深度学习的医学图像分割算法往往需要大量的标记样本用于网络训练。然而,医学图像的像素级标记成本较高、难度较大,且需要具备专业知识。这导致目标域中通常不存在手工标注的样本。并且,由于医学图像的异构性与复杂性,来自不同成像设备的数据之间存在分布差异,这种分布差异构成的域偏移会使得在源域上训练得到的分割模型应用于目标域时的性能发生退化。利用迁移学习的思想,将源域中的知识迁移到无标记的目标域上,是解决以上问题的一种有效方法。因此,本文基于无监督领域自适应技术研究医学图像分割中的域偏移问题,分别在单一源域和多源域的设定下提出医学图像无监督领域自适应分割方法,取得的主要成果如下。对于单源域情况,提出一种基于原型对齐与伪标签优化的医学图像无监督领域自适应分割方法。首先,本文设计了一种能有效避免过拟合的正则化卷积特征提取子模块,并使用U-Net++分割网络的拓扑结构获取不同层次的特征,增强了网络的特征表示能力。其次,为解决源域与目标域之间存在的域偏移问题,本文使用双支路分别载入有标记的源域数据以及无标记的目标域数据,并使用类别原型来聚合特征,将域偏移大小量化为源域与目标域类别原型之间的距离。通过原型损失减小类别原型之间的距离,实现了原型对齐,进而提升源域与目标域之间特征空间分布的一致性。最后,为减小伪标签中的错误预测给类别原型带来的干扰,本文提出一种基于不确定性估计的伪标签优化方法。通过对网络生成的像素级伪标签进行筛选,仅保留更可靠的标记参与原型的计算。在脑白质高信号病灶数据集上的实验,证明了所提出的单源域医学图像无监督领域自适应分割方法的有效性。对于多源域情况,提出了一种融合多源域的医学图像无监督领域自适应分割框架,能够有效的从不同源域中提取知识。不同源域和目标域之间的偏移程度不同,并且不同源域之间也存在域偏移。为了对不同领域数据之间的差异进行量化,我们利用医学图像数据的统计信息进行相似度分析,使用最大均值差异、均值距离、标准差距离三个指标量化领域间的偏移量。在此基础上,本文提出分散度指标来描述不同领域数据内部的分布信息。进而,通过在每个源域与目标域支路上引入自适应模块完成跨域自适应处理,并且在源域两两之间引入自适应模块完成源域融合处理,有效解决了多源域自适应问题。在多源域的脑白质高信号病灶数据集上的实验结果表明,所提出的多源域无监督领域自适应方法可以有效提升医学图像分割结果的性能。