随着深度学习的发展,卷积神经网络（CNN）在语义分割任务中表现出了惊人的性能。为了保证CNN的出色表达能力,需要大量用于训练的手动标记数据。然而,对于语义分割标签来说,每个像素的手动注释过程既费时又费力。与此同时,在遥感领域中,高分辨率图像的标注比低分辨率图像的标注更加费时费力。随着遥感技术的飞速发展,遥感图像的分辨率越来越高,数据标注工作量也越来越大。为了缓解高分辨率遥感图像标注压力,目前常用的方法是在一个有标注的数据集（源域）上训练分割模型,在未标注的数据集（目标域）上应用。由于不同遥感数据集之间存在较大的差异,导致训练测试过程中出现域偏移问题,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只对遥感数据集之间的风格样式差异进行研究,而忽略了它们之间的分辨率差异。本文对如何同时消除风格样式差异和分辨率差异的域适应方法进行了深入研究,主要工作如下:第一,为了消除源域和目标域之间的分辨率差异,本文将超分辨的思想整合到了现有的语义分割模型中,并提出了一个用于超分辨率和语义分割的多任务模型。实验结果表明,该模型不仅消除了源域和目标域之间的分辨率差异,也提高了语义分割的精度。第二,为了减小源域和目标域之间的风格样式差异,本文在多任务模型的像素级别和输出空间上设计了两个域判别器。通过对抗训练,多任务模型可以学到更好的域不变特征。实验结果表明,添加的域判别器不仅提升了语义分割精度,也实现了遥感图像的风格迁移。第三,提出了一个同步域适应和超分辨的端到端语义分割方法。该方法通过引入超分辨和对抗域适应,不仅消除了源域和目标域之间的分辨率差异,也缩小了它们之间的风格样式差异,最终提高了分割模型的迁移能力。为了验证所提方法的有效性,本文构建了两个在源域和目标域中具有不同分辨率的数据集:Mass-Inria和Vaih-Pots。大量的实验结果表明,本文所提出的方法减小了两个域之间的分布差异,实现了较好的分割效果。