图像分割是众多计算机视觉应用如场景理解、人体解析和自动驾驶的基础技术,其应用的广泛性使得它受到了研究者的高度重视。随着卷积神经网络特别是全卷积网络的技术快速更新,大量优秀的工作推动着图像分割技术的进步。而近年来图像分割技术也应用在了越来越多的领域与子任务中,如室内场景重建等任务能通过室内房间布局估计这一分割技术大大提高最终的准确率。然而,由于像素级分割标签会导致非常昂贵的注释成本,现有的数据集往往缺少足够丰富的带注释的样本,这也使得部分研究者开始投身于更有现实意义的弱监督与无监督学习方法的研究。而随着计算机图像学的进展,神经网络已经可以通过训练合成数据集达到更新模型的目的。使用合成数据集节省了大量人工,但在完全没有真实图像的图像标签时,用合成数据集进行训练的模型的性能很难达到理想的效果,而域适应技术就是解决真实图像与合成图像之间域不匹配的技术,具有重大的研究价值。本文首先研究了语义分割在房间布局估计任务中的性能改进技术,通过进行语义迁移改进了像素分类能力,并首次通过风格转换来大量扩展数据集,提高模型对高级特征的识别能力。此外,为了进一步解决数据集的不足,本文通过研究合成数据集图像分割改进技术,提高了使用合成数据集进行图像分割的性能,减少了对人工标注数据集的依赖。本文的研究均通过实验分别在公开数据集LSUN、Cityscapes和GTA5数据集中证明了改进技术的有效性,并证明了其优于同领域其他现有方法。