为处理室外大规模场景中语义分割网络训练需求数据量过大的问题，提出一种基于无监督域自适应的点云语义分割方法。该方法使用改进的RandLA-Net以SPTLS3D真实世界数据集的少量点云作为目标对象进行语义分割。模型在SensatUrban数据集上完成分割网络的预训练，通过缩小源域和目标域之间的域差距来完成模型的迁移。RandLA-Net编码过程会缺失原始点云全局特征，因此本文提出一种额外获取全局信息加入网络解码的方法。此外，为增强差异化信息的获取，RandLA-Net的局部注意力模块权值改为根据各点的特征和其邻域的平均特征的差值。实验显示，该网络在SemanticKITTI数据集上的平均交并比精度达到54.3%，在Semantic3D上的平均交并比精度达到了71.91%。预训练好的模型经过微调后平均交并比精度达到了80.05%，比直接训练的效果好8.83个百分点。