本发明公开了一种基于弱监督学习的域自适应实例分割方法及装置，首先在源域上训练初始实例分割模型，输出骨干网络特征和语义分数张量，使用层次凝聚聚类构建语义树，然后对语义树的叶节点进行抽样，快速判断实例分割掩码是否准确，根据标注信息对预测不准确的实例进行掩码修正，根据目标域掩码修正结果微调初始实例分割模型，从而改善实例分割模型的有效性。本发明通过使用有限的验证信号快速判断准确样本，并将这些准确样本传播改善初始实例分割模型适应能力，处理不准确样本中的部分噪声，解决了在域自适应方面，虽然可以通过引入来自目标域数据集的监督信号来改进分实例割模型，但人工标注繁琐耗时，并且自训练在伪标签中包含太多噪声的问题。