随着卫星遥感技术的快速发展,遥感图像在城市规划、农田规划、自然灾害处理等领域起到越来越重要的作用。语义分割是遥感图像处理中的一个重要任务,而基于深度学习的遥感图像语义分割任务需要为每个像素点标注,这个过程会耗费大量的人力物力。为了缓解遥感图像标注压力,通常采取数据迁移的方式,即在一个有标注的数据集上训练模型,在未标注的数据集上应用。由于不同遥感数据集之间存在较大的差异,导致了训练测试过程中出现域偏移的问题,域适应方法可以有效解决域偏移问题。目前的域适应方法大多以像素级或特征级域适应为出发点,而忽略了像素级和特征级域适应的协同作用。为此,本文对基于像素级和特征级的域适应方法进行了深入研究,主要工作如下:第一,利用语义一致性损失改进像素级域适应网络Cycle GAN,确保了风格迁移之后的图像和原图像语义信息没有过大的偏差,并且实现了风格迁移和语义分割的端到端训练。实验结果表明,通过利用语义一致性损失改进Cycle GAN,有效约束了Cycle GAN生成的图像语义信息不发生过大偏差。第二,利用ASPP改进特征对齐网络中的判别器,提高了判别器对特征的判别能力。同时,在传统的特征对齐网络上添加了低层特征判别器,实现了高层特征和低层特征同时对齐。实验结果表明,通过添加ASPP结构改进特征对齐网络判别器和使用低层特征判别器均能有效提高特征对齐质量。第三,提出了面向遥感图像语义分割的联合域适应网络（Joint Pixel and Representation Level Domain Adaptation Network,JPRNet）。该方法通过联合像素级域适应和特征级域适应,在像素级和特征级协同对齐,实现了像素级域适应和特征级域适应的端到端训练,提高了模型的鲁棒性,减少了人为干预。在三个公开数据集上的实验结果表明,通过像素级域适应和特征级域适应的联合训练减小了两个域之间的分布差异,实现了较好的分割效果。