1.一种面向高分辨率遥感图像语义分割的无监督域适应方法，其特征在于，至少包括如下步骤：S1：获取标记的源域数据集和未标记的目标域数据集；

S2：通过特征提取器从源域和目标域数据中提取双域特征；

S3：将提取的特征输入到双向递归注意力金字塔模块中，通过多尺度金字塔分解、递归双向注意力桥和动态门控融合器完成双域特征交互；

所述双向递归注意力金字塔模块包括多尺度金字塔分解、递归双向注意力桥、动态门控融合器；双域特征通过多尺度金字塔分解将特征图分解为多尺度特征图，对双域多尺度特征使用递归双向注意力桥，进行层级间正向与逆向注意力传递实现跨域闭环交互，动态门控融合器通过动态门控权重聚合各尺度特征；

多尺度金字塔分解将双域特征通过空间金字塔池化分解为四层不同分辨率的特征图，各级尺寸为1×1、3×3、6×6、原始尺寸；

递归双向注意力桥在双域多尺度特征间进行三次迭代，正向传递将源域第i层特征通过注意力机制作用于目标域第i+1层特征，公式为：，

逆向传递将目标域第i层特征通过逆向注意力反馈至源域第i−1层特征，公式为：，

三次双域特征间正向传递与逆向传递形成跨层级闭环交互；

动态门控融合器在金字塔顶层对各层特征进行上采样至原始尺寸，并通过相似度权重加权求和，公式为：，

其中 为全局平均池化后的锚定特征，用于衡量各层级特征的重要性；

S4：通过多判别器模块对交互后的特征进行判别；

所述多判别器模块包括特征判别器、对抗判别器和类别判别器，其中特征判别器用于混淆双域特征，对抗判别器用于实现整体特征的对抗学习，类别判别器从类别层级完成特征对抗，进一步提升特征的判别能力；

S5：通过定义的分割损失、全局特征差异损失、领域混淆损失和对抗损失进行反向传播计算；

S6：将训练完成的模型部署至目标域，实现对目标域高分辨率遥感图像的语义分割。

2.如权利要求1所述的面向高分辨率遥感图像语义分割的无监督域适应方法，其特征在于，所述递归双向注意力桥在每次迭代中引入交叉域残差连接，在正向传播过程中将目标域的值矩阵 与源域的查询矩阵 通过跳跃连接混合：，

在逆向传播过程中将源域的值矩阵 与目标域的查询矩阵 通过跳跃连接混合：，

其中 为可学习的缩放因子， 用于维度匹配。

3.如权利要求1所述的面向高分辨率遥感图像语义分割的无监督域适应方法，其特征在于，所述特征判别器通过将源域真值标签作为目标域真值，混淆双域域特征分布，对抗判别器通过判别双域特征训练判别器，增强判别器判别能力，提升模型对抗性能，类别判别器将特征先解码至原输入图片大小，之后与源域的类别信息共同输入到编码器当中，类别信息经过多层级的特征提取之后，得到的高级语义信息与特征融合完成类别信息接入，实现从类别层级完成特征对抗；

特征判别器和对抗判别器由4个自注意力模块组成，增强判别器对语义信息的关注，类别判别器由解码器、编码器以及1个自注意力模块构成，来自于源域的标签信息在编码阶段接入编码特征，经过一个自注意力模块，实现从类别层级完成对抗学习。