遥感图像语义分割是遥感图像处理领域中的一个长期研究热点，旨在对遥感图像进行逐像素的语义分类。该任务在城市规划、环境监测、作物分析、星上处理以及灾害勘察等遥感领域具有重要应用。近年来，随着深度学习技术的引入，遥感图像语义分割取得了飞速的发展。然而现有基于深度学习的方法依旧面临着几个挑战：（1）现有深度学习模型依赖大量的标注数据进行训练，且只有在与训练数据同分布的测试数据上才能取得较好的应用性能，并且当不同数据域的数据分布存在差异时，在已有标注的数据域（源域）中训练的模型无法很好的泛化到其他未标注的数据域中（目标域）；（2）由于遥感图像获取数据途径的多样性（如，获取数据传感器不同、数据地面采样距离不同、成像光谱波段不同和数据获取区域不同等），为每个数据域都进行逐像素标注费时费力。而迁移学习能在目标域缺少标注的情况下，从源域数据中提取共性知识以帮助提升模型在目标域中的性能。因此，本文主要研究基于迁移学习的遥感图像语义分割方法，结合遥感图像的特点，重点突破迁移学习在遥感图像语义分割任务中面临的挑战。本文的主要贡献和创新点归纳如下:

1. 提出一种基于域相似性的遥感图像语义分割领域自适应方法。本方法通过将提出的域相似性判别器和分割网络整合到一个对抗学习框架下，利用对抗学习使分割网络生成域不变的特征，从而消除不同数据域分布的差异。具体地，本方法首先指出现有基于对抗学习的领域自适应方法仅单独利用源域和目标域信息，并没有将两者之间的信息进行有效的结合，容易引入域无关噪声，不利于对抗学习的稳定训练。为了缓解域无关信息对对抗学习造成的影响，提出的域相似性判别器通过区分输入特征对之间的领域相似度，同时利用同域数据的域相似信息和不同域数据间的域不相似信息，使对抗学习聚焦于域相关特征。不同的跨域对比实验验证了本方法的有效性。

2. 提出一种基于全局和类别对齐的遥感图像语义分割领域自适应方法。本方法的核心思想是结合对抗学习和自训练策略，从全局和类别两个角度对齐不同域数据的分布，从而提升模型的适应性。一方面，针对分割网络中间层特征维度过高，引入太多域无关噪声而造成的对抗学习不稳定以及分类器难以适应目标域特征的问题，提出一种三元对抗的全局分布对齐网络。该网络结合之前的工作，在具有更多抽象特征和更少域无关噪声的分割网络的输出空间中，通过三元对抗学习显式地利用源域和目标域信息在全局上缩减域间分布的差异，并同时使用源域和目标域特征对分类器进行优化。另一方面，针对域间类别对齐问题，提出一种基于判别置信度的自训练策略。该策略利用判别器的输出置信度作为衡量目标域数据是否消除全局分布偏差的依据，为目标域数据中消除了全局分布偏差的像素生成伪标签，并利用伪标签通过监督损失微调分割网络来对齐域间类别的分布。多个难易程度不一的遥感图像跨域语义分割任务中的实验验证了本方法的有效性和泛化性。

3. 提出一种基于三元损失对抗和交叉一致性约束的遥感图像语义分割领域自适应方法。本方法主要针对当前方法中对抗学习稳定性差、域间类别迁移难度不一以及边界数据利用不充分等问题。针对对抗学习稳定性差的问题，提出基于三元损失对抗学习的全局对齐网络。该网络将三元损失函数整合到对抗学习框架中，通过优化不同域分布之间的相对距离来稳定对抗训练，在目标域原始数据不足的情况下依旧表现出优异的性能。针对域间类别迁移难度不一的问题，提出一种自适应的类别感知伪标签选取策略。该策略通过估计目标域中每个类别的先验预测概率值，自适应地为每个类别提供生成伪标签时所需的阈值，从而生成可信赖的且类别平衡的伪标签。最后，针对边界数据利用不充分的问题，提出一个交叉均值教师网络。该网络通过交叉一致性约束缓解均值教师网络的过耦合问题，有效地利用目标域中已分配和未分配伪标签的数据，提升网络对边界的分割能力。广泛而全面的跨域实验验证了本方法中每个模块的有效性和必要性。