显著性物体检测在计算机视觉领域中是一个重要研究分支,目前已有大量相关研究工作被开展。计算机视觉作为人工智能领域的研究热点已经广泛被学术界和工业界的学者们关注。显著性物体检测的目的在于希望计算机能够找出人在观察一幅图像时在第一时间被图像中的某一突出显著物体前景所吸引的这个区域,即人眼最感兴趣的目标区域。近年来,随着深度学习方法在计算机视觉领域的广泛使用,基于卷积神经网络的显著性物体检测方法成为研究主流,基于全监督深度网络的检测方法被大量提出。但全监督所需的标记数据需要耗费大量的人力和时间成本。弱监督方法能够解决这个问题。但用于弱监督显著性检测的监督弱标签不够准确,在弱监督伪真值的生成方面对现有的传统显著性算法利用不够,且单一伪标签会产生偏见信息,使得模型不能够学习到准确的显著性线索。对于图像级别监督标签,存在不能很好的得到物体边界和轮廓信息的问题,以及有时显著物体区域存在不同程度缺失的问题。本文为了改善这些问题,针对弱监督下的图像显著性物体检测问题进行了研究。具体研究内容如下:首先,针对弱监督方法中生成的伪真值质量差和避免单一弱标签的偏见问题,设计了一种利用判别性区域特征融合（Discriminative Regional Feature Integration,DRFI）、结构化矩阵分解（Structured Matrix Decomposition,SMD）两种传统显著性检测方法生成弱标签,并使用涂鸦标签增强局部信息,构成多个粗糙弱标签互相监督,生成更精确伪真值的改进弱监督显著性物体检测方法。首先利用DRFI算法生成伪真值,再补充SMD算法检测出的局部信息来抑制DRFI算法中的背景噪声,并使用涂鸦标签进一步增强抑制,形成3种弱标签互相监督的模式,进而通过编码-解码结构的卷积神经网络完成检测模型的训练。最后,通过不同标签组合在5个数据集上的消融实验,定量说明了多种弱标签融合监督的有效性。第二,针对像素自适应蒙版优化（Pixel-Adaptive Mask Refinement,PAMR）精细化后的类别激活图（Class Activation Map,CAM）弱监督标签存在显著物体轮廓信息的缺失,以及存在的背景噪声和显著物体区域空缺问题,设计了一种基于多层特征精细化的CAM图弱监督显著性检测方法来改善弱标签不准确带来的影响。通过使用自精细化模块以及使用局部显著性相干损失函数完成设计,将自精细化模块加入解码器形成SRE（SelfRefinement-Enhanced）解码器,通过在5个公开数据集上的消融实验,说明方法整体检测显著图的准确度得到了有效提升。局部显著性相干损失函数有效的补齐了缺失的物体边界信息以及结构信息,SRE精细化模块有效地改善了显著性物体区域缺失以及存在背景噪声的问题,使得检测性能被进一步提升。最后,进行了算法对比实验,将本文的方法与其他现有的弱监督、无监督和全监督方法进行了定量与定性的性能对比,说明了本文提出方法在5个数据集上的表现。在检测DUT-OMRON、ECSSD、PASCAL-S数据集的性能结果上,本文的方法能够超过现有的弱监督方法以及一些无监督和早期的全监督方法。