**摘要——**域适应是遥感领域中一项关键且日益重要的任务，其目标是将知识从源域迁移到分布不同的目标域。它在诸多实际应用中具有广泛价值，包括遥感地物解译、生态环境监测以及城乡规划。然而，由于数据层面的差异（如地面采样距离、不同传感器的成像模式、地理景观与环境条件等），遥感中的域适应面临显著挑战。近些年，深度学习作为强大的特征表示与跨域知识迁移工具，已在遥感任务中得到广泛应用。本文对遥感中基于深度学习的域适应重要进展进行全面综述。我们首先介绍预备知识，以澄清关键概念、数学记号与方法论的分类体系；随后从多个视角梳理现有算法，包括任务类别、输入模态、监督范式与算法粒度，为读者提供结构化的领域认知。接着，我们回顾常用数据集并总结当前最先进方法的性能，以呈现整体发展概况。我们还识别了开放挑战与潜在研究方向，以指引遥感域适应领域的未来工作。与以往综述相比，本文覆盖的遥感域适应任务范围更广，而非仅聚焦于少数子领域；同时给出了更为系统的分类体系，从而提供更全面且有序的理解。总体而言，本综述旨在启发研究群体、促进理解并为后续研究提供指引。 **关键词——**域适应；遥感；深度学习；全面综述。

I. 引言

遥感（RS）技术已广泛应用于诸多现实场景，包括遥感地物解译 [1]–[3]、生态环境监测 [4], [5]、城乡规划 [6]–[8] 等。过去十年间，深度学习的进步（如深度卷积神经网络 [9]–[11]、Transformers [12], [13] 与 Mamba [14]–[16]）显著加速了遥感应用的发展。然而，这些方法的有效性往往依赖于代价高昂且耗费人力的标注训练样本，以充分覆盖复杂场景。在实际场景中，此类样本的稀缺常常不足以应对训练（源域）与测试（目标域）图像之间的差异，导致性能明显下降。该“域偏移”（domain shift）现象及其引发的源/目标域性能鸿沟构成了关键挑战。为缓解这一问题并有效弥合域间差距，遥感领域的域适应方法应运而生，成为重要研究方向。此类方法旨在提升遥感模型的泛化能力，使其能够在多样且未见过的域中保持稳健表现，从而克服训练数据不足与偏置所带来的限制。 基于深度学习的域适应方法通常在源数据集上训练模型，并将其能力迁移至目标数据集以获得准确的目标域预测。在遥感场景中，仍然存在若干挑战，主要体现在以下方面： (1) 不同地面采样距离（GSD）带来的剧烈变化。 如图 1(a) 所示，随 GSD 变化，“汽车”等目标在外观与尺度上呈现显著差异。 (2) 不同成像模式导致的类别表征差异。 如图 1(b) 所示，在 R–G–B 与 IR–R–G 图像中，“树木”的颜色表现不同。 (3) 不同地理景观下同类目标的差异。 如图 1(c) 所示，“建筑物”在乡村与城市环境中呈现迥异的建筑风格与结构模式。 (4) 环境因素（天气、光照、阴影等）引发的大域间偏移。 图 1(d) 对比了有雾与无雾条件下的“火车站”场景。总体而言，这些因素导致不同程度的数据分布差异，进而在源/目标域图像之间产生域偏移问题。 为缓解域偏移并弥合遥感源/目标图像之间的域间差距，研究者提出了大量域适应方法。在深度学习兴起之前，域适应研究主要聚焦于传统方法 [17]，如不变特征选择 [18]–[21]、数据分布自适应 [22]–[25] 等，旨在调节源/目标域的分布差异。过去十年，深度学习 [26], [27]——尤其是深度神经网络——的迅猛发展，推动了遥感领域域适应方法的演进。最初，对抗学习作为主导技术 [28]–[35]，主要用于特征层或图像层的对齐。另一项重要技术是自训练，在遥感域适应任务中也受到广泛关注 [36]–[41]。这种非对抗范式通过为目标域图像生成可靠、一致且类别均衡的伪标签来增强自适应能力。鉴于对抗学习与自训练分别从不同视角提升了域适应效率，将两者融合成为新的研究热点 [42]–[46]。 大型视觉模型（LVMs） 的出现（如 Segment Anything Model，SAM [47], [48]）为计算机视觉带来“范式性”变革。依托其在多样场景中的卓越泛化能力，遥感领域有望从受这些进展启发的域适应方法中显著获益 [49]–[51]。尽管基于 LVM 的遥感域适应研究仍相对不足，但已显现出重要且前景广阔的研究趋势。 随着近年来遥感域适应方法的不断涌现，相关综述工作也相继出现。值得注意的是，[52], [53] 针对遥感分类任务的域适应方法进行了专门梳理；[54] 则阐释并评述了遥感领域的无监督域适应思想。由于最新相关综述仅覆盖至 2022 年，亟需在这一快速发展的领域提供更新的综述。相比既有综述，本文对最新方法进行系统梳理；面向多类具体遥感任务，我们在多种基准数据集上给出细致全面的实验对比。鉴于大型视觉模型预计将在未来几年成为研究焦点，我们还将专门探讨基于 LVM 的域适应方法，并勾勒遥感领域的新兴趋势。 综上，本文的主要贡献如下：

系统性概览： 我们系统梳理了遥感域适应的最新研究。与此前综述相比，覆盖范围更广、内容更前沿。 * 多维度分类体系： 从四个视角组织当前方法：任务类别、输入模态、监督范式与算法粒度，形成系统化的分类框架。 * SOTA 方法与基准： 突出展示在若干关键基准上的最新最优（SOTA）工作，为当前与后续研究提供有价值的参考。 * 趋势与展望： 总结现有方法，提出我们对未来研究方向与议题的看法，指出值得进一步探索的方向。

如图 2 所示，本文结构安排如下：第 II 节回顾遥感域适应的预备知识，并给出“方法学分类与数学记号”；第 III 节以逐篇文献的方式对现有工作进行全面回顾，并从四个视角进行归类；第 IV 节介绍基准数据集，并在多种遥感任务上给出详细的性能比较；第 V 节讨论未来研究趋势与议题及我们的观点；第 VI 节对全文进行总结。