无监督域自适应在计算机视觉的诸多任务中至关重要，例如目标检测、实例分割和语义分割，其目标在于缓解因域偏移（domain-shift）导致的性能下降问题。以往大多数方法依赖于源域与目标域的单一模式分布，并通过对抗学习进行对齐，但在多种场景下仍表现不佳。为此，本文提出一种新型的空间注意力金字塔网络，用于无监督域自适应。具体而言，我们首先构建空间金字塔表示，以捕捉不同尺度下物体的上下文信息；在任务特定信息的引导下，利用空间注意力机制，有效融合每个空间位置上的密集全局结构表征与局部纹理模式。通过这种方式，网络被强制聚焦于具有判别性的区域，并结合上下文信息以实现更优的域自适应。我们在多个具有挑战性的无监督域自适应数据集上进行了大量实验，涵盖目标检测、实例分割和语义分割任务，结果表明，所提方法在性能上显著优于当前最先进的方法。本文的源代码已公开，可通过 https://isrc.iscas.ac.cn/gitlab/research/domain-adaption 获取。