深度学习技术的发展提高了计算机对图像的感知理解能力，尤其在自动驾驶、医疗影像等领域发挥了重要作用。语义分割作为计算机视觉的重要任务，已成为精细化感知理解应用中的关键部分。然而，在实际应用中，由于训练数据与应用场景的不同分布以及真实场景数据的标注难度，模型在开放世界中的性能往往下降明显，阻碍了分割模型在真实场景中的部署。为了解决上述问题，研究者们提出领域自适应学习范式，利用已有标注的数据集和实际应用场景之间的相关性，使模型在新场景中更好地发挥作用。然而，在领域自适应问题上，目标域上监督信息的缺失和场景的持续变化是两大难题。本文探索了语义分割任务下的无监督领域自适应与持续性领域自适应两大问题，解决了模型在跨领域部署时的性能损失问题，并使模型能够持续适应新场景。其主要创新点如下：

1.提出了一组基于高斯滤波变换的无监督领域自适应语义分割方法，它能够在不依赖对抗学习的情况下，从外观分布和类别分布两个方面对齐领域并缓解差异，避免了额外的训练，有效提高了模型的性能和鲁棒性。目前领域自适应的主流方法之一就是利用对抗学习使模型掌握更多领域不变知识，但容易造成目标领域特定信息的丢失，陷入次优解的困境。因此，本文在基于傅里叶变换的领域自适应方法基础上，引入高斯滤波，并统计（伪）标签的类别分布，在无需对判别器或其他组件进行额外训练的情况下，有效提升了模型在目标域上的性能。

2.提出了一种新的基于参数转移的持续性领域自适应语义分割方法，能有效解决灾难性遗忘问题，为持续性领域自适应语义分割的研究与应用提供了一种新的视角与思路。本文基于假设——领域自适应过程中模型参数可以分为可转移参数（学习领域不变知识）和不可转移参数（学习领域特定知识）——开展研究和探讨，建立可以区分这两类参数的指标，并限制可转移参数在新领域上的更新，成功避免了灾难性遗忘的发生，并且在新领域上表现出良好的性能。

综上所述，本文通过对语义分割任务下的无监督领域自适应与持续性领域自适应两大问题进行深入分析，从外观分布和类别分布以及模型参数性质出发，提出了高斯滤波-傅里叶领域自适应、面向已知类别的重加权、基于参数转移的持续性领域自适应等方法，具有一定的理论价值和应用价值。