为提升语义分割模型的泛化能力,降低数据收集与标注成本,域泛化方法近年来得到了广泛关注.然而,复杂街道环境中的纹理和几何特征缺失等会导致基础模型分割结果的局部破损和失真,严重影响模型的泛化能力.针对这一问题,利用分割一切模型(Segment Anything Model, SAM) 强大的泛化和分割能力,提出一种域泛化分割优化方法.通过初始分割结果的低置信度筛选、SAM输出结果的类别分配和基于预测熵值的不确定性加权3部分,最终实现对分割结果的优化.试验结果表明:经过优化,仅在Cityscapes数据集上训练的初始模型,能在包含4种复杂环境的ACDC数据集上的平均交并比提升1.9,显著优于基线模型.