随着深度学习的发展,全监督学习在计算机视觉、自然语言处理和语音识别等多个领域取得了巨大的进步。全监督学习依赖大量的数据标注,而大规模精细化标注需要很高的成本,影响了全监督学习进一步发展。弱监督学习只需利用不完整、不确切或不准确的数据标注,便可以完成与全监督学习相同的机器学习任务。因此,基于弱监督学习方法的研究具有重要现实应用意义。本文聚焦于以图像级类别标签为弱监督标注的目标定位研究。针对现有弱监督目标定位方法中遇到的无法挖掘目标全部区域、未挖掘中间卷积层定位能力以及定位图中目标边缘模糊等问题进行研究,取得的主要研究成果包括:（1）提出了一种基于梯度的类别激活图修正方法。针对现有方法只定位到目标局部区域的问题,通过抽取分类网络输出的各个类别的概率值之间的关联信息,并将这种关联信息融入到特征层来增强特定类别的信息,使得特征层具有更强的弱监督表征能力,从而增强目标定位的完整性,提升定位精度。在ILSVRC分类数据集上的实验表明,所提的方法明显优于现有的弱监督目标定位方法,Top-1 loc error指标达到56.48%。（2）提出了一种基于双梯度的弱监督目标定位方法。基于梯度的类别激活图修正方法虽扩展了定位区域,但是分类模型中间卷积层的定位能力未被挖掘。针对该问题,通过引入特定类别关于中间卷积层的梯度以及交叉熵关于中间卷积层的梯度,来增强并提取中间卷积层特征中关于特定类别的信息,从而在中间卷积层特征上实现弱监督目标定位。在ILSVRC数据集上的实验表明,分类模型的中间卷积层具有定位能力,Top-1 loc error指标达到52.23%。（3）提出了一种基于跳层的双梯度弱监督目标定位方法。上述两种算法虽扩展了定位区域并挖掘了中间卷积层定位能力,但由于高层卷积层缺少边缘信息,导致定位图中目标边缘不准确。针对该问题,本文在基于双梯度的弱监督目标定位方法上,引入边缘信息增加模型对物体边缘的表征能力,从而实现更精准的定位。在ILSVRC数据集上的实验表明,引入边缘信息的卷积特征图具有更好的定位能力,Top-1 loc error指标达到43.14%。