语义分割是一项关键的图像理解任务，其目标是将图像中的每个像素分类到相应的语义标签中。由于真实标注（ground-truth）的像素级标注过程繁琐且耗时，实际应用中，许多方法采用合成图像来训练模型，以实现对真实世界图像的语义分割，即合成到真实（Synthetic-to-Real Semantic Segmentation, SRSS）任务。然而，基于源端合成数据训练的深度卷积神经网络（Deep Convolutional Neural Networks, CNNs）往往难以有效泛化至目标端的真实世界数据。为此，本文提出两种简单但高效的纹理随机化机制——全局纹理随机化（Global Texture Randomization, GTR）与局部纹理随机化（Local Texture Randomization, LTR），用于提升基于领域泛化（Domain Generalization）的SRSS性能。GTR旨在将源图像的纹理随机化为多样化的非真实风格，以降低网络对纹理特征的依赖，同时促进模型学习跨域不变的语义线索。此外，我们观察到纹理差异并非总是存在于整幅图像，而可能仅局限于某些局部区域。因此，进一步提出LTR机制，通过生成多样化的局部区域，对源图像进行部分风格化处理，从而更精细地模拟真实场景中的纹理变化。为协调两种机制在训练过程中的协同作用，我们设计了一种一致性正则化策略——GTR与LTR之间的一致性正则化（Consistency between GTR and LTR, CGL），以增强模型对不同纹理扰动的鲁棒性。在五个公开可用数据集（GTA5、SYNTHIA、Cityscapes、BDDS和Mapillary）上，针对多种SRSS设置（如GTA5/SYNTHIA到Cityscapes/BDDS/Mapillary）的大量实验表明，所提方法在领域泛化能力方面显著优于当前最先进的SRSS方法，验证了其有效性与优越性。