使用低质量的图像级数据训练的弱监督图像语义分割模型,可以有效减少数据标注这个过程当中花费的人力物力,有利于模型的泛化。本课题主要研究内容就是使用图像级标注数据的弱监督语义分割,当前比较主流的的弱监督语义分割算法中,许多是利用原始图像信息和图像标注生成初始种子节点,对初始种子节点进行扩充形成目标的伪像素标注,然后利用伪像素标注全监督地训练分割网络。本文同样从这个思路出发:针对种子区域质量不高的问题,分别从引入种子动态扩充模块、使用基于相对熵改进的边界约束条件指导种子区域生长以及对于孤立种子节点检测再分类三个方面入手改善种子质量。图像级标注数据包含的信息十分有限,因此传统方法生成的初始种子区域分布往往是稀疏的,无法直接用于图像分割网络,本文提出动态的种子扩充模块,充分挖掘未被注意到的种子区域;同时引入基于相对熵的种子生长边界约束,用来加强模型获取边缘信息的能力;最后对于扩充之后存在的孤立种子节点,提出一种基于颜色空间的检测再分类方案,优化最终的分割网络。针对原始图像不同区域对分割网络贡献不同以及存在噪声导致错误信息传播的问题,本文提出加权池化操作代替平均池化操作的方法。使用相应权重计算规则来代表图像中某个像素点对于最终分割网络的贡献程度,对于目标区域权重得分往往较高,对于噪声区域和背景区域,权重得分较低,这样的特征支持了对目标区域的精确分割。通过在当前主流的图像语义分割数据集上的多组对照实验,验证本文提出的模型的有效性,结果表明,经过优化后的种子质量显著提升,与GRAD-CAM算法相比,餐桌类的IoU得分从25.8提升到29.4,提升了13.9%;与EncoderDecoder-DSRG算法相比,自行车类提升较大,IoU得分从30.6提升至33.2,提升了8.5%,有效改善了分割性能。