图像显著性研究的是检测出图像中最引人关注的前景区域,在计算机视觉领域里已经展开了大量的研究工作。图像显著性检测算法常被用作预处理方法来提升如图像语义分割、图像内容描述等高级图像任务的性能,因此对图像显著性检测方向进行深入地研究具有重要的意义。随着深度卷积神经网络在计算机视觉领域的广泛应用,基于深度网络的全监督显著性检测算法不断被提出,很大程度上提高了传统方法达不到的检测性能。然而,基于深度网络的全监督显著性检测模型依赖于大规模的像素级标注数据,需要使用大量的像素级标注数据,这些数据需要耗费大量的人力成本和时间成本。为了缓解对大规模像素级标注数据的需求,本文探索基于弱监督的显著性检测模型,使得模型最后的显著性检测性能接近全监督训练模型的检测性能。相比于全监督使用的像素级标注数据,弱标注样本成本更低、更易获得,比如具有类别标签或目标检测框标签的图像集。因此,本文对基于弱监督的图像显著性检测模型展开了研究:第一,图像分类引导的弱监督图像显著性检测模型:假设数据集是仅具有类别标签的图像集,我们首先利用无监督显著性检测图(即传统方法)、图像分类分支得到有位置信息的热力图和显著性检测分支预测的显著图构造具有伪标签的数据集,然后训练提出的弱监督显著性检测模型,这其中涉及模型的迭代和伪标签数据集的更新,从而得到最终的弱监督显著性检测模型。第二,目标检测引导的弱监督显著性检测模型:假设数据集是仅具有检测框标签的图像集,我们首先使用包含位置信息的检测框标签、物体边缘精细化处理的条件随机场方法和显著性检测分支预测的显著图,不断更新得到每轮训练所需的伪标签数据集,接着通过迭代训练模型不断收敛,最终得到弱监督显著性检测模型。实验结果表明,本文提出的两种弱监督显著性检测模型在可视化效果和评价指标上都优于传统方法,而且性能上接近全监督模型的检测性能。