语义分割是智能交通系统中环境感知的一项关键技术。随着卷积神经网络（CNN）的快速发展，道路场景分析在源域上通常能够取得令人满意的效果。然而，如何确保模型在不同目标域场景下仍具备良好的泛化能力，仍是当前面临的重要挑战。近年来，半监督学习与主动学习被提出以缓解该问题。半监督学习可通过大量未标注数据提升模型精度，但在训练数据有限或分布不均衡的情况下，会产生包含噪声的伪标签；若缺乏人工干预，模型性能可能受限。主动学习能够选择更具代表性的样本进行标注，从而提高学习效率，但由于未充分利用大量未标注数据，模型精度提升受限；当域间差异较大时，查询到次优样本的概率显著增加，导致标注成本上升。本文提出一种融合主动学习与半监督学习的迭代循环方法，用于实现域自适应语义分割。该方法首先利用半监督学习对大量未标注数据进行建模，以提升模型精度，并为后续主动学习提供更可靠的样本选择依据。其次，结合主动学习中的预测不确定性样本选择策略，引入人工干预对伪标签进行修正，有效降低噪声影响。最后，通过灵活的迭代循环机制，在最小化标注成本的前提下，实现最优性能。大量实验结果表明，本方法在GTAV到Cityscapes、SYNTHIA到Cityscapes两个任务上均达到当前最优水平，相较于此前最佳方法，mIoU分别提升了4.9%和5.2%。