全景分割（panoptic segmentation）统一了语义分割与实例分割，近年来受到越来越多的关注。然而，现有大多数研究均在监督学习框架下进行，而对不同任务与应用场景至关重要的无监督域自适应全景分割却鲜有涉及。为此，我们设计了一种域自适应全景分割网络，通过引入跨风格一致性（inter-style consistency）与跨任务正则化（inter-task regularization），实现更优的域自适应全景分割效果。其中，跨风格一致性利用同一图像在不同风格下的几何不变性，构建出有效的自监督信号，引导网络学习域不变特征；跨任务正则化则充分利用实例分割与语义分割之间的互补性，将其作为约束条件，促进跨域特征的对齐。在多个域自适应全景分割任务（如合成到真实、真实到真实）上的大量实验表明，所提出的网络在分割性能上显著优于当前最先进的方法。