由于图像目标在尺度、姿态、位置、光照及纹理方面呈现出的巨大差异,计算机视觉的语义分割任务变得越来越具有挑战性,它仍然是计算机视觉中尚未解决的问题。在计算机视觉众多的应用领域,比如机器人技术、制图或医学图像分析中,像素级标签的获得是最重要的步骤。近年来,基于深度卷积神经网络（DCNN）的语义分割方法取得了巨大的成功,并引起了许多研究者的兴趣。通常,训练这些网络需要大量的像素级标注才能获得令人满意的结果。而像素级标注的收集很困难、费时并且需要大量投资。因此研究人员提出了基于弱监督的DCNN分割方法,该方法仅需要较弱形式的像素级标注,例如斑点、涂鸦、边界框和图像级标签,但其分割精度远远低于完全监督的结果。本论文研究了弱监督方式下图像语义分割技术的理论和实践问题。主要贡献在于利用多层次分割目标的最优层次来增强弱监督标签,从而形成高质量的语义级像素级标注。图像内容理解本质上是多尺度的,多层次图像分割结果包含了丰富的图像目标信息。本文采用多层次图像分割算法来预测概率边界图,然后根据最优尺度、区域相似度矩阵和简单的中级特征来选择最优的目标分割区域。接下来,作为弱监督标注形成的初始化步骤,将已有的弱监督标注与显着性图进行组合,在目标最优分割区域上构建图形模型并求解优化后的标注。基于该思路,本文具体研究了4种弱监督语义分割方法。首先,提出了两种分别在没有和有语义分割网络训练情况下,基于最优分割的深度种子生成方法,并用于实现弱监督语义分割。在第一种方法中,提出了一种用于提高目标分割质量的新颖框架。使用简单的中级图像特征和动态规划策略,在多层次分割结构中选择最优目标尺度。同时为了获得弱监督标注,分别使用深度分类网络和显著性检测网络在图像上定位目标的深度种子。然后构造图模型,在模型节点上将信息从深度种子传播到未标记的区域,获得语义分割结果。在MSRC 21-class,PASCAL VOC 2012验证集和MS COCO验证集的实验结果表明,该框架能以较低的计算成本显着提高对象分割的质量,而无需训练任何分割网络。在第二种方法中,设计了一种新颖的框架可迭代地完善像素级标注并优化分割结果。首先,使用激活图和显著性图的组合生成初始的深度种子。为了产生高质量的像素级标注,在高质量的分割区域上构建图形模型,将监督信息从深度种子传播到未标记区域。在训练过程中,初始像素级标注用作监督以训练分割网络并预测分割蒙版。为了更正分割蒙版的错误标签,将这些分割蒙版与图模型相结合,生成更准确的像素级标注,并将其用作监督信息来重新训练分割网络。实验结果表明,该方法可以明显优于使用静态标签的弱监督语义分割方法。所提出的框架优于使用静态标签的弱监督语义分割方法,并在PASCAL VOC2012测试集、MS COCO验证集上获得了最先进的分割性能。其次,提出了基于可靠区域和斑点种子形式的弱监督语义分割方法。该框架通过优化分割网络,可生成高质量的目标像素级标注。为此将训练图像传递给多层次图像分割算法以预测边界图。然后选择候选分割层次的可靠区域,在显著性图的斑点种子引导下构建基于可靠区域的图形模型,并将监督信息从斑点种子传播到未标记的区域。在训练过程中,使用高质量的像素级标注作为监督来训练分割网络。在Pascal VOC 2012数据集上的实验结果表明,提出的分割方法优于之前的最新方法。最后,提了一种基于最优分割尺度的涂鸦种子的弱监督语义分割方法。它是一个新的框架,通过使用多层次图像分割算法预测边界图,并选择高质量的分割尺度。在初始化步骤中,将涂鸦标注和显著性图进行组合,然后在最优尺度分割上构建图模型。在训练过程中,通过使用初始像素级标注来训练分割网络。为了迭代地优化分割网络,使用图形模型来完善分割蒙版并重新训练分割网络以获得更精确的像素级标注。在Pascal VOC 2012数据集上的实验结果表明,提出的框架优于现有大多数弱监督的语义分割方法,提高了语义目标分割的性能。