近年来，随着科技的快速发展，多源异构遥感影像的数据量呈爆发式增长， 海量的遥感数据亟需像素级专业图像解译。而遥感实际应用场景不仅对解译的 质量与效率提出了更高的要求，还常常需要多源、多时相以及多分辨率的遥感 数据进行协同处理。针对这些现实需求，本文围绕如何实现简单而有效的遥感 图像分割，并使分割模型自适应于现实世界的其他数据分布展开了一系列的研 究工作，论文的主要贡献和创新点归纳如下：

 1. 提出了一种基于注意力机制的高效遥感图像分割模型。现有的图像分割 方法囿于其本身的技术瓶颈无法满足遥感实际应用场景对精度表现与处理效率 的双重高要求。为此，论文提出了一个编解码结构的遥感图像分割模型，通过 注意力机制而非耗时的多层卷积堆叠，实现编码器特征增强与解码器特征融合。 实验结果证明，该分割模型能够在遥感图像分割任务中以较低的模型复杂度实 现更为优异的精度表现，其在编码器中所使用的注意力模块相较于现有的其他 注意力模块在特征增强方面具有突出优势，而解码器中所使用的注意力模块能 在充分考虑计算效率的情况下实现多级特征的优势互补。 

2. 提出了一种基于自训练与对抗学习的无监督域自适应方法。为解决由于 训练集与测试集之间数据分布差异而导致的模型识别性能下降问题，域自适应 方法应运而生。然而现有的域自适应方法通常难以应对遥感图像分割任务中复 杂且细粒度的域偏移问题，常出现精度不增反降的负域对齐现象。为此，论文 提出了一种无监督域自适应方法，不仅基于对抗学习实现了粗粒度的全局边缘 分布对齐，而且还基于自训练实现了细粒度的局部条件分布对齐。实验结果证 明，该方法相较于现有的其他域自适应方法能够更好地对遥感图像分割模型进 行域适配，并更有效地处理由复杂域偏移引起的负域对齐问题。 

3. 提出了一种基于一致性与对比学习的多级异构域自适应方法。当前的无 监督域自适应方法大多数属于同构域自适应，难以直接有效地处理异构遥感数 据。而现有的异构域自适应方法大部分属于监督阯半监督域自适应，仍依赖于遥 感实际应用场景中难以获得的来自目标域的监督信息。为此，论文提出了一个 异构无监督域自适应方法，其首先基于循环一致性进行实例级域对齐并实现无 监督不成对的异构遥感数据转换，而后基于改进后的对比损失进行特征级跨域 约束，最后基于任务一致性在决策级细粒度地正则整个域自适应过程。实验结 果证明，相较于现有的其他域自适应方法，该方法能够更有效地处理遥感图像 中的复杂域偏移问题，并避免同构域自适应所面临的信息损失问题。