L'adaptation de domaine pour la segmentation sémantique d'images est très nécessaire, car l'étiquetage manuel de grands ensembles de données avec des étiquettes au niveau du pixel est coûteux et chronophage. Les techniques d'adaptation de domaine existantes fonctionnent soit sur des ensembles de données limités, soit produisent des performances moins bonnes que celles de l'apprentissage supervisé. Dans cet article, nous proposons un nouveau cadre d'apprentissage bidirectionnel pour l'adaptation de domaine de la segmentation. Grâce à l'apprentissage bidirectionnel, le modèle de traduction d'images et le modèle d'adaptation de segmentation peuvent être appris alternativement et se renforcer mutuellement. De plus, nous proposons un algorithme d'apprentissage auto-supervisé pour améliorer le modèle d'adaptation de segmentation et, par conséquent, améliorer le modèle de traduction d'images. Les expériences montrent que notre méthode est supérieure aux méthodes les plus avancées dans l'adaptation de domaine de la segmentation avec une marge importante. Le code source est disponible à l'adresse suivante : https://github.com/liyunsheng13/BDL.