在深度学习技术的推动下，强监督语义分割技术取得了极大的进展。强监督语义分割的性能依赖于大量高精度稠密的标注数据，成本十分昂贵。为了解决语义分割对数据的需求，学者提出利用合成数据替代真实数据来训练语义分割网络。合成数据可以自动生成，规模大，成本小，有着巨大的应用价值。然而，由于域间差异存在，利用合成数据训练的分割模型在真实数据上性能会急剧下降。本文致力于开发无监督域自适应语义分割算法来解决这一问题。
　　当前的无监督域自适应语义分割算法尝试从图像像素层面、网络特征层面或网络输出层面上对源域和目标域从独立像素位置的信息进行对齐。与之前方法不同的，本文在源域和目标域分割输出空间结构具有域不变性这一事实的启发下，提出通过利用分割输出成对相邻像素的共存性在语义分割的结构层面上来进行域适配。为了利用分割结果的域不变特性进行域适配，本文提出针对分割网络输出成对像素间的关系来进行无监督域自适应语义分割的两种策略。
　　(1)本文提出了一种新的无监督域适配语义分割损失函数。一方面，语义分割将图像划分成了不相交的区域，同一区域内的像素享有相同语义类别。另一方面，本文基于实验观察发现域间差异会使得目标域的分割结果区域的连续性变差。本文提出相邻相似性空间平滑损失函数，约束局部的成对相邻像素分割输出一致来减小这种影响。相较于之前的域适配损失函数，本方法对不同类别梯度更加均匀，且获得了更佳的域适配效果。
　　(2)本文提出了一种新的基于对抗学习的无监督域适配语义分割框架。不同域的语义标签空间具有相似的空间布局和类别共存性。本文引入相邻相似性空间概念，通过利用分割网络的输出的成对像素关系来编码这些特性。通过利用对抗学习来减小源域和目标域相邻相似性空间的差异，本文将源域分割的类别共存性传递给目标域。相对比之前的方法，本文首次证明利用像素相邻相似性关系对无监督域自适应语义分割有帮助且性能优于之前的方法。
　　两种域适配方案都在多个具有挑战性的基准数据集上获得当前最高或具有竞争力的无监督领域自适应语义分割结果。