无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在将标注源域中的知识迁移到未标注的目标域中。现有的基于自训练的UDA方法通常为目标域数据分配伪标签，并将其视为真实标签，以充分挖掘未标注目标数据用于模型适应。然而，由于源域优化模型在目标域上存在域差异，所生成的伪标签不可避免地包含噪声。为解决这一问题，本文提出一种MetaCorrection框架，其中设计了一种面向域感知的元学习策略——域感知元学习损失修正（Domain-aware Meta-learning for Loss Correction, DMLC），用于提升UDA语义分割的性能。具体而言，我们引入噪声转移矩阵（Noise Transition Matrix, NTM）来建模目标域伪标签中的噪声分布，并构建一个域不变的源域元数据集，用于引导NTM的估计。通过在元数据集上进行风险最小化优化，所得到的NTM能够有效修正伪标签中的噪声问题，从而提升模型在目标域上的泛化能力。考虑到浅层与深层特征之间存在表征能力差异，本文进一步将所提出的DMLC策略应用于不同层次的特征，为其提供匹配且兼容的监督信号，从而实现深层特征的充分适应。大量实验结果表明，所提方法在三个主流基准数据集上均显著优于现有最先进方法，充分验证了其有效性与优越性。